贝叶斯分类——朴素贝叶斯算法
来源:互联网 发布:同花顺软件开发怎么样 编辑:程序博客网 时间:2024/05/16 16:11
在机器学习分类算法中,大多数的分类算法,比如决策树,KNN,SVM等,他们都是判别方法,也就是直接学习出特征输出Y和特征X之间的关系,要么是决策函数
但是朴素贝叶斯却是生成方法,也就是直接找出特征输出Y和特征X的联合分布P(Y,X),然后用
相关统计学知识:
条件概率公式:
接着有全概率公式:
以此得出贝叶斯定理:
其中,X表示属性集,Y表示类变量,P(Y)为先验概率,P(X|Y)为类条件概率,P(X)为证据,P(Y|X)为后验概率。贝叶斯分类模型就是用先验概率P(Y)、类条件概率P(X|Y)和证据P(X)来得出联合分布P(X,Y),进而表示后验概率。
朴素贝叶斯模型:
朴素:特征条件独立的假设
贝叶斯:基于贝叶斯定理
基本过程如下:
训练集TrainingSet=
朴素贝叶斯的参数估计:
但当属性变量是连续变量时,我们可以采取以下几种方法对条件概率进行估计:
1)把连续的属性离散化,用相应的离散空间替换连续的值。但这种方法不太好区分划分粒度,容易引起误差。
2)假设连续变量服从某种概率分布,通常是高斯分布,然后使用训练数据估计分布函数的参数,也就是高斯分布的均值和方差,进而得到条件概率分布。还有一种进阶的方法是使用混合高斯模型,利用EM算法进行求解。
3)核密度估计:是在概率论中用来估计未知的密度函数,属于非参数检验方法之一。没有时间细写了,可以参考:http://www.cnblogs.com/wt869054461/p/5935992.html
- 分类算法——朴素贝叶斯算法
- 贝叶斯分类——朴素贝叶斯算法
- 分类算法——朴素贝叶斯
- 人工智能算法—朴素贝叶斯分类
- 经典分类算法—朴素贝叶斯笔记
- 算法杂货铺——分类算法之朴素贝叶斯分类
- 算法杂货铺——分类算法之朴素贝叶斯分类
- 朴素贝叶斯—分类
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- 朴素贝叶斯分类算法
- Mybatis
- JavaScript 事件类型
- 请使用socket相关函数(非curl)实现如下功能:构造一个post请求,发送到指定httpserver的指定端口的指定请求路径(如http://www.example.com:8080/test)
- [ 网络流 树上启发式合并 主席树 ] BZOJ3681
- 【1701H1】【穆晨】【171011】连续第一天总结
- 贝叶斯分类——朴素贝叶斯算法
- JVM堆与栈
- 洛谷 1273 有线电视网
- 数据库
- 蓝桥杯——剪邮票
- maven私有库的安装、配置和使用
- 作业(10/1-10/3)
- linux系统很卡的基本排查方法
- 栈操作