机器学习五朴素贝叶斯与SVM

最新推荐文章于 2023-03-13 10:39:36 发布

爱吃莴苣笋

最新推荐文章于 2023-03-13 10:39:36 发布

阅读量1.8k

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/zaqwsxedcd/article/details/75947656

版权

本文介绍了机器学习中的两种重要算法：朴素贝叶斯和SVM。朴素贝叶斯方法基于贝叶斯定理和特征条件独立假设进行分类，公式为P( Category | Document) = P ( Document | Category ) * P( Category) / P(Document)。而支持向量机（SVM）则是一种利用数据点与分割线距离进行分类的算法，特别适合处理数据噪声较大的情况。

摘要由CSDN通过智能技术生成

0、散点图（scatter diagram）

通常应用于回归分析。散点图中的包含的数据越多，展示的效果更好。

1、朴素贝叶斯方法（Naive bayes）

这是一种基于贝叶斯定理与特征条件独立假设的分类方法。

    from sklearn.naive_bayes import GaussianNB
    clf = GaussianNB()
    clf.fit(features_train,labels_train)
    pred = clf.predict(features_test)
    from sklearn.metrics import accuracy_score
    accuracy = accuracy_score(pred,labels_test)

全概率：概率论中的重要公式。

P(A)=P(AB1)+P(AB