贝叶斯概率
来源:互联网 发布:模拟软件下载 编辑:程序博客网 时间:2024/06/04 23:22
1.原理
贝叶斯分类模型主要从已有数据中找到输入和输入的概率关系,并进行转换,
3.python 实现
from numpy import *def loadDataSet(): postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'], ['stop', 'posting', 'stupid', 'worthless', 'garbage'], ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']] classVec = [0,1,0,1,0,1] #1 is abusive, 0 not return postingList,classVecdef createVocabList(dataSet): vocabSet = set([]) for document in dataSet: vocabSet = vocabSet | set(document) return list(vocabSet)def setOfWords2Vec(vocabList, inputSet): returnVec = [0] * len(vocabList) for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] = 1 else: print 'the word: %s is not in my vocabulary' %word return returnVecdef trainNB0(trainMatrix, trainCategory): n = len(trainMatrix) numWords = len(trainMatrix[0]) pAbusive = sum(trainCategory)/float(n) p0Num = ones(n) p1Num = ones(n) p0Denom = 2.0 p1Denom = 2.0 for i in range(n): if trainCategory[i] == 1: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) p1vect = log(p1Num / p1Denom) p0vect = log(p0Num / p0Denom) return p0vect, p1vect,pAbusivedef classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): p1 = sum(vec2Classify * p1Vec) + log(pClass1) p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) if p1 > p0: return 1 else: return 0
0 0
- 贝叶斯概率
- 贝叶斯概率
- 贝叶斯概率
- 贝叶斯公式、先验概率、后验概率
- 条件概率、全概率公式、贝叶斯公式
- 条件概率 全概率 贝叶斯公式
- 贝叶斯:先验概率估算后验概率
- 贝叶斯网络--概率推理
- 04-贝叶斯概率
- 排列组合 概率 贝叶斯理解
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 先验概率,后验概率,似然概率,条件概率,贝叶斯,最大似然
- 先验概率 后验概率 条件概率 概率分布 贝叶斯公式
- 概率
- 概率
- 概率
- 异步操作校验工具awaitility快速入门
- 关于C++中const关键字总结
- 【Java SE】异常处理
- LeetCode:104_Maximum Depth of Binary Tree | 二叉树的最大深度 | Easy
- Android NDK JNI 简单例子1 : Android NDK配置和下载
- 贝叶斯概率
- 使用maoreduce实现一个超级简单的爬虫功能
- C# 绘制多个控件的边框
- 获取手机通讯录联系人
- [菜鸟笔记--Java的进阶之路三]
- springmvc_mybatis中关于图片上传的写法
- 有多少面试可以重来
- git学习心得(一)——如何关联本地库和远程
- 秒杀多线程系列