朴素贝叶斯分类：拉普拉斯修正

最新推荐文章于 2024-07-31 09:18:11 发布
最新推荐文章于 2024-07-31 09:18:11 发布
阅读量1.8w 收藏 93
点赞数 23
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xo3ylAF9kGs/article/details/78636400
版权

请点击上面公众号，免费订阅。　

主要推送关于对算法的思考以及应用的消息。培养思维能力，注重过程，挖掘背后的原理，刨根问底。本着严谨和准确的态度，目标是撰写实用和启发性的文章，欢迎您的关注。



01

—

回顾

昨天的推送介绍了朴素贝叶斯分类的原理及阐述了一个例子，这种方法的预测发现了一个问题：某个样本的属性值并未出现在训练集中，导致尽管要预测的这个苹果看起来很像是好果，但是朴素贝叶斯目标函数的结果仍为0，最终被划分为一般的苹果，有些时候这并不是合理的，那么该如何解决呢？

如下的数据集：


# 大小 颜色 形状 标签
1 小
 青色 非规则 否
2 大 红色 非规则 是
3 大 红色 圆形 是
4 大 青色 圆形 否
最低0.47元/天 解锁文章
算法channel
关注
拉普拉斯修正——机器学习中常用的数据平滑处理方法
m0_52931616的博客
05-08 2292
机器学习中常用的数据平滑处理——拉普拉斯修正
学习笔记 | 朴素贝叶斯、拉普拉斯修正
大虎牙的博客
05-24 2512
朴素贝叶斯 01 引例 02 贝叶斯定理 03 朴素二字从何而来？ 连续变量需要计算高斯分布的概率值。 04 拉普拉斯平滑处理（修正） 05 代码实践 import numpy as np from sklearn.naive_bayes import GaussianNB from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split X = np.array
【数据挖掘】数据挖掘总结 ( 拉普拉斯修正 | 贝叶斯分类器示例2 ) ★
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
12-27 1919
一、 贝叶斯分类器分类的流程、 二、 拉普拉斯修正、 三、 贝叶斯分类器示例2、
贝叶斯总结
最新发布
qq_56618414的博客
07-31 389
朴素贝叶斯算法是有监督的学习算法，解决的是分类问题，如客户是否流失、是否值得投资、信用等级评定等多分类问题。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。本篇文章将从朴素贝叶斯推断原理开始讲起，通过实例进行辅助讲解。最后，使用Python3编程实现一个简单的言论过滤器。
机器学习与数据挖掘实验7-实现拉普斯修正的朴素贝叶斯分类器
软肋.的博客
11-10 119
【代码】机器学习与数据挖掘实验7-实现拉普斯修正的朴素贝叶斯分类器。
C语言数字图像处理（四）：图像边缘检测和灰度变换：拉普拉斯，Sobel，伽玛校正，和直方图增强
Wilson_Lin_01的博客
11-17 1125
拉普拉斯算子通过增强图像的灰度对比来实现锐化效果。作为一个二阶微分算子，它增强了图像中灰度突变的区域，并减弱了灰度变化缓慢的区域。但处理后的图像失去了边缘的方向信息，并增强了噪声。 Sobel算子属于一阶微分边缘检测算子，它引入了类似于局部平均的运算，因此在强化图像对象边缘的同时对噪声具有平滑作用。 经过微分后，平坦处的值几乎为0，而边缘处的绝对值很大。 但Sobel算子并没有严格区分图像主体和背景，因此提取的图像轮廓有时并不令人满意。 首先使用归一化（normalization）处理像素：将像素值转换为
拉普拉斯修正的朴素贝叶斯分类器及AODE分类器
小强强的博客
01-08 5332
下面的一些原理来着周志华老师的西瓜书。 *************************************************************************************************************** 拉普拉斯修正的朴素贝叶斯分类器主要目的是为了避免遇到某些特征属性为空时，使得相关后验概率为0的情况。其相关计算公式如下：
机器学习之朴素贝叶斯分类+拉普拉斯平滑
11-14
**朴素贝叶斯分类**是基于概率理论的一种机器学习算法，其核心思想是假设特征之间相互独立，并且每个特征对预测结果的影响是独立的。在实际应用中，朴素贝叶斯模型简单、易于理解和实现，尤其适用于文本分类、垃圾...
西瓜数 课后习题7.3 朴素贝叶斯分类器 拉普拉斯修正
weixin_41056428的博客
12-21 2931
import csv from math import sqrt, pi, exp, log def read_data(filename): ''' 读数据，西瓜数据集3.0 :return: 返回数据集X 和标签集Y ''' X, Y = [], [] with open(filename) as f: reader = c...
python实现拉普拉斯修正的朴素贝叶斯分类器
01-14
（一）实验一：拉普拉斯修正的朴素贝叶斯分类器 8 1.问题理解与分析 8 2.算法原理阐述[3] 9 3.算法设计思路[2] 10 4.实验流程分析 11 5.实验数据的选择、实验结果展示、优化与分析 12 6.代码结构注释、核心源代码...
朴素贝叶斯采用拉普拉斯修正，完全按照西瓜书的实现，避免某个属性出现概率为0的情况
05-01
西瓜书上第七章朴素贝叶斯采用拉普拉斯修正，简单易懂，关键代码都有注释，适合初学者的理解
编程实现拉普拉斯修正的朴素贝叶斯分类器
m0_57064565的博客
09-17 678
朴素贝叶斯（Naive Bayes）原理+编程实现拉普拉斯修正的朴素贝叶斯分类器_Cyril_KI的博客-CSDN博客
贝叶斯算法 转载自 https://blog.csdn.net/u011826404/article/details/66525491
jiajia_wu的博客
04-22 280
上篇主要介绍和讨论了支持向量机。从最初的分类函数，通过最大化分类间隔，max(1/||w||)，min(1/2||w||^2)，凸二次规划，朗格朗日函数，对偶问题，一直到最后的SMO算法求解，都为寻找一个最优解。接着引入核函数将低维空间映射到高维特征空间，解决了非线性可分的情形。最后介绍了软间隔支持向量机，解决了outlier挤歪超平面的问题。本篇将讨论一个经典的统计学习算法–贝叶斯分类器。7、贝...
机器学习与数据挖掘-实验六
qq_53932746的博客
07-24 914
实现拉普拉斯修正的朴素贝叶斯分类器 编码实现拉普拉斯修正的朴素贝叶斯分类器，基于给定的训练数据，对测试样本进行判别。 import numpy as np def loaddata(): X = np.array([[1,'S'],[1,'M'],[1,'M'],[1,'S'], [1, 'S'], [2, 'S'], [2, 'M'], [2, 'M'], [2, 'L'], [2, 'L'], [3, 'L'], [3, 'M'],
西瓜书课后题7.3(拉普拉斯修正的朴素贝叶斯分类器)
热门推荐
Dou
09-27 1万+
题目 试编程实现拉普拉斯修正的朴素贝叶斯分类器，并以西瓜数据集3,.0为训练集，对P.151“测1”样本进行判别。 编号 | 色泽 | 根蒂 | 敲声 | 纹理 | 脐部 | 触感 | 密度 | 含糖率 | 好瓜 -| :-: | -: 测1 | 青绿 | 蜷缩 | 浊响 | 清晰 | 凹陷 | 硬滑 | 0.697 | 0.460 | ？ 原理 ...
机器学习--朴素贝叶斯分类，以及拉普拉斯校准
djb847279的博客
10-19 1043
原文链接： 1. 词袋模型http://chant00.com/2017/09/18/%E8%B4%9D%E5%8F%B6%E6%96%AF/ 2. 朴素贝叶斯计算嫁人概率 https://zhuanlan.zhihu.com/...
机器学习之朴素贝叶斯理论与代码实践
04-21
深入理解条件概率。详细讲解朴素贝叶斯的数学推导过程，能够使用原生代码完成朴素贝叶斯代码的编写。能够调用sklearn库完成朴素贝叶斯代码的编写。能够理解垃圾邮件分类原理并使用朴素贝叶斯完成垃圾邮件的分类。
拉普拉斯平滑处理 Laplace Smoothing
weixin_30294295的博客
04-27 1129
背景:为什么要做平滑处理? 　　零概率问题，就是在计算实例的概率时，如果某个量x，在观察样本库（训练集）中没有出现过，会导致整个实例的概率结果是0。在文本分类的问题中，当一个词语没有在训练样本中出现，该词语调概率为0，使用连乘计算文本出现概率时也为0。这是不合理的，不能因为一个事件没有观察到就武断的认为该事件的概率是0。 拉普拉斯的理论支撑 　　为了解决零概率的问题，法国数学家拉普...
拉普拉斯修正的朴素贝叶斯分类器与朴素贝叶斯分类器有什么区别与联系
05-24
朴素贝叶斯分类器（Naive Bayes Classifier）是一种基于贝叶斯定理的简单分类算法，它假设所有特征都是相互独立的，因此被称为“朴素”。朴素贝叶斯分类器通常用于文本分类、垃圾邮件过滤等领域。 拉普拉斯修正的朴素贝叶斯分类器是在朴素贝叶斯分类器的基础上进行改进的。当某个类别在训练数据中没有出现，或者某个特征在某个类别下没有出现时，朴素贝叶斯分类器的计算会出现问题。拉普拉斯修正的朴素贝叶斯分类器通过对计数进行加一来解决这个问题。具体来说，就是在计算条件概率时，将每个特征的计数都加上一个常数k，从而避免了概率为零的情况。 因此，拉普拉斯修正的朴素贝叶斯分类器与朴素贝叶斯分类器的区别在于：拉普拉斯修正的朴素贝叶斯分类器在计算条件概率时引入了一个常数k，用于解决概率为零的情况。 联系在于，拉普拉斯修正的朴素贝叶斯分类器仍然是基于贝叶斯定理的分类算法，同样也是一种简单的算法。它们的基本思想都是通过计算条件概率来判断待分类样本所属的类别。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值