本文介绍了朴素贝叶斯文本分类的基本定义、分类过程，包括多项式模型和伯努利模型。通过示例解释了如何进行分词、特征提取，并给出了计算后验概率的方法。在多项式模型中，详细阐述了先验概率和类条件概率的计算。在伯努利模型部分，提到了特征词的选取标准和模型的应用。文章最后提及了使用模型对未知文档进行分类的步骤。
基本定义：
贝叶斯分类方法是一种基于统计的学习方法，利用概率统计进行学习分类，如预测一个数据对象属于某类的概率。主要算法有朴素贝叶斯分类算法，贝叶斯信念网络分类算法。
一个事物具有很多属性，把它的众多属性看作一个向量，即x=(x1,x2,x3,…,xn)，用x这个向量来代表这个事物，x的集合记为X，称为属性集。类别也有很多种，用集合C={c1,c2,…cm}表示。一般X和C的关系是不确定的，可以将X和C看作是随机变量，P(C|X)称为C的后验概率，与之相对的，P(C)称为C的先验概率。
根据贝叶斯公式，后验概率P(C|X)=P(X|C)P(C)/P(X)，但在比较不同C值的后验概率时，分母P(X)总是常数，忽略掉，后验概率P(C|X)=P(X|C)P(C)
最低0.47元/天 解锁文章
扫一扫
1367
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
