朴素贝叶斯
来源:互联网 发布:不用网络的小说 编辑:程序博客网 时间:2024/06/05 00:58
1、原理
朴素贝叶斯和贝叶斯估计不是一回事。
朴素贝叶斯基于条件独立性假设:
朴素贝叶斯是学习到生成数据的机制,属于生成模型。
2、流程
输入:训练数据
输出:实例x的分类
(1)计算先验概率和条件概率
先验概率:
条件概率:
(2)对于给定的实例
(3)确定实例x的类
3、拉普拉斯校准
当P(a|y)=0怎么办,当某个类别下某个特征项划分没有出现时,就是产生这种现象,这会令分类器质量大大降低。为了解决这个问题,我们引入Laplace校准,它的思想非常简单,就是对没类别下所有划分的计数加1,这样如果训练样本集数量充分大时,并不会对结果产生影响,并且解决了上述频率为0的尴尬局面。
4、遇到特征之间不独立问题
参考改进的贝叶斯网络,使用DAG来进行概率图的描述
5、优缺点
优点:对小规模的数据表现很好,适合多分类任务,适合增量式训练。
缺点:对输入数据的表达形式很敏感(离散、连续,值极大极小之类的)。
阅读全文
0 0
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 单片机实验三
- 软件性能测试面试题一
- Island Transport HDU
- LintCode-各位相加
- HUD 1018 Big Number
- 朴素贝叶斯
- JVM详解
- Linux/Android系统知识启动篇
- 访问控制修饰符
- Linux-centos-kickstart-无人值守自动安装-ISO镜像制作
- CF820B:Mister B and Angle in Polygon(数学 & 几何)
- Java数值避免浮点型计算丢失精度问题
- JDK中比较重要的包
- 创建分区表t