本文深入探讨了朴素贝叶斯分类器的理论基础，包括贝叶斯公式和不同类型的朴素贝叶斯分类器，如高斯、多项式和伯努力。通过代码示例展示了如何在Python中使用sklearn库实现高斯和多项式朴素贝叶斯分类器，并对模型的性能进行了评估。
一、贝叶斯理论
通过已知类别的训练数据集，计算样本的先验概率，然后利用贝叶斯概率公式测算未知类别样本属于某个类别的后验概率，最终以后验概率所对应的类别作为样本的预测值。
贝叶斯公式：
y = f ( X ) = P ( C i ∣ X ) = a r g m a x P ( C i ) P ( X ∣ C i ) ∑ i = 1 k P ( C i ) P ( X ∣ C i ) y=f(X)=P(C_i|X)=argmax\frac{P(C_i)P(X|C_i)}{\sum_{i=1}^kP(C_i)P(X|C_i)} y=f(X)=P(Ci∣X)=argmax∑i=1kP(Ci)P(X∣Ci)P(Ci)P(X∣Ci)
分母 P ( X ) = ∑ i = 1 k P ( C i ) P ( X ∣ C i ) P(X)=\sum_{i=1}^kP(C_i)P(X|C_i) P(X)=∑i=1kP(Ci)P(X∣Ci) 是一个常量，它与样本属于哪个类别没有直接关系，所以计算 P ( C i ∣ X ) P(C_i|X) P(Ci∣X)的最大值就是计算分子的最大值，即 a r g m a x P ( C i ) P ( X ∣ C i ) argmax\ P(C_i)P(X|C_i) argmax P(Ci)P(X∣Ci)；
在大多数情况下， P ( C i ) P(C_i) P(Ci)是已知的，它以训练数据集中类别 C i
最低0.47元/天 解锁文章
扫一扫
6775
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
