机器学习实战——朴素贝叶斯1 模型介绍1.1 朴素贝叶斯分类器1.2 朴素贝叶斯的参数估计2 朴素贝叶斯在Sklearn中的实现1 模型介绍1.1 朴素贝叶斯分类器朴素贝叶斯是基于贝叶斯定理及特征条件独立的假设来实现分类的方法，就是在已知先验概率的前提下，求后验概率的最大值。设样本集合为 xxx ，其属性集合为 {x1,x2,⋯ ,xd}\{x_1,x_2,\...
朴素贝叶斯是基于贝叶斯定理及特征条件独立的假设来实现分类的方法，就是在已知先验概率的前提下，求后验概率的最大值。
设样本集合为 x x x ，其属性集合为 { x 1 , x 2 , ⋯   , x d } \{x_1,x_2,\cdots,x_d\} {
x1,x2,⋯,xd} ，即某一样本的特征属性数目为 d d d ，对应的类标记（标签）为 y = { c 1 , c 2 , ⋯   , c N } y=\{c_1,c_2,\cdots,c_N\} y={
c1,c2,⋯,c
1153
1116
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
