本文主要介绍了朴素贝叶斯分类方法，基于贝叶斯定理和特征条件独立假设，用于输入/输出的联合分布概率学习。重点讲述了高斯朴素贝叶斯（GaussianNB）的概率密度函数及其在实际应用中的代码实现。同时，讨论了Python中DataFrame的loc和iloc的区别，以及zip函数在数据处理中的作用。
朴素贝叶斯
是基于贝叶斯定理与特征条件独立假设的分类方法
对于给定训练数据集，首先基于特征条件独立假设学习输入/输出的联合分布概率；然后基于此模型，对给定的输入x，利用贝叶斯理论求出后验概率的最大的输出y。
具体：给定属性值的某类值的概率称为条件概率，通过将条件概率乘以给定类值的每个属性（先验概率），我们得到属于该类的数据实例的概率。
为了进行预测，我们可以计算属于每个类的实例的概率，并选择具有最高概率的类值。
GaussianNB 高斯朴素贝叶斯
特征的可能性被假设为高斯
概率密度函数： P ( x i ∣ y k ) = 1 2 π σ y k 2 e x p ( − ( x i − μ y k ) 2 2 σ y k 2 ) P(x_i | y_k)=\frac{1}{\sqrt{2\pi\sigma^2_{yk}}}exp(-\frac{(x_i-\mu_{yk})^2}{2\sigma^2_{yk}}) P(xi∣y
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
