朴素贝叶斯-公园穿凉鞋问题的推导

假设A和B是两个事件,根据贝叶斯公式:

P(A∣B)∗P(B)=P(A,B)=P(B∣A)P(A)

又假如在这两个事件中,我们关注的是事件A,那么称:
P(A)为先验概率,即A发生的概率
P(B|A)为条件概率
P(A|B)为后验概率
根据先验概率和条件概率求后验概率:

P(A∣B)=P(B∣A)P(A)/P(B)


———————————————

设A1:任意一人是男性
A2:任意一人是女性
B:任意一人穿凉鞋

P(B)=P(B|A1)P(A1)+P(B|A2)P(A2)=2/3x1/2+2/3x1/3=5/9

P(A1|B)=P(B|A1)P(A1)/P(B)=(2/3x1/2)/5/9=3/5

同理P(A2|B)=2/5

故一个穿凉鞋的人,他为男性的概率是3/5,是女性的概率为2/5

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
朴素贝叶斯是一种常用的机器学习算法,特别适用于自然语言处理任务。它基于贝叶斯定理和特征条件独立假设,通过计算给定特征条件下的类别概率来进行分类。 在自然语言处理中,朴素贝叶斯可以用于文本分类、情感分析、垃圾邮件过滤等任务。它将文本表示为特征向量,其中每个特征表示一个词汇或其他语言相关的属性。然后,通过计算每个类别下的特征概率,可以预测新文本属于哪个类别。 下面是一个使用朴素贝叶斯进行文本分类的示例: ```python from sklearn.feature_extraction.text import CountVectorizer from sklearn.naive_bayes import MultinomialNB # 准备训练数据 train_texts = ['I love this movie', 'This movie is great', 'I hate this movie'] train_labels = ['positive', 'positive', 'negative'] # 特征提取 vectorizer = CountVectorizer() train_features = vectorizer.fit_transform(train_texts) # 训练朴素贝叶斯分类器 classifier = MultinomialNB() classifier.fit(train_features, train_labels) # 预测新文本的类别 test_text = 'This movie is amazing' test_feature = vectorizer.transform([test_text]) predicted_label = classifier.predict(test_feature) print('Predicted label:', predicted_label) # 输出:Predicted label: ['positive'] ``` 在上面的示例中,我们首先准备了一些训练数据,包括文本和对应的类别标签。然后,使用`CountVectorizer`将文本转换为特征向量。接下来,使用`MultinomialNB`训练一个朴素贝叶斯分类器,并使用训练好的模型对新文本进行分类预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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