-
1.简单分类
代码:
load fisheriris
O1 = NaiveBayes.fit(meas,species);
C1 = O1.predict(meas);
cMat1 = confusionmat(species,C1)
运行结果:
cMat1 =
50 0 0
0 47 3
0 3 47
这种最简单的用法默认数据的每个特征都服从高斯分布(Normal Distribution),并且默认先验概率是经验概率(Empirical),即先验概率是每个类出现的频率。
2.通过设置参数定制分类器
代码:
O2 = NaiveBayes.fit(meas,species,'dist',{'normal','kernel','normal','kernel'});
C2 = O2.predict(meas);
cMat2 = confusionmat(species,C2)
运行结果:
cMat2 =
50 0 0
0 47 3
0 3 47
与第一种方法不同,这里可以对不同的特征设置不同的分布,normal表示高斯分布、kernel表示核密度平滑估计。另外还有mvmn--多元多项式分布(Multivariate multinomial distribution)、mn--多项式分布(Multinomial distribution)。这里的mvmn适合于离散的特征、mn适合于bag-of-tokens模型。
贝叶斯MATLAB
最新推荐文章于 2022-12-24 18:07:23 发布