机器学习算法（三）——朴素贝叶斯法

最新推荐文章于 2025-06-02 08:30:00 发布
原创 最新推荐文章于 2025-06-02 08:30:00 发布 · 276 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

博客主要围绕朴素贝叶斯法展开，指出其基于贝叶斯定理，还提及了贝叶斯定理相关内容。朴素贝叶斯法是信息技术领域中重要的算法概念。

今天我们来谈谈朴素贝叶斯法，它基于贝叶斯定理。
一、贝叶斯定理
在这里插入图片描述
二、朴素贝叶斯法
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

机器学习之朴素贝叶斯算法详解
平原的博客
07-05 4万+
1-1 基本流程 朴素贝叶斯公式： P(A|B)=P(A)P(B|A)P(B)P(A|B)=P(A)P(B|A)P(B) P(A|B) = \frac{P(A)P(B|A)}{P(B)} 一、概率基础知识： 条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。 条件概率表示为： P(A|B)， 读作“在B条件下A的概率”。 若只有两个事件A， B， 那么： P(AB)=P...
机器学习实验报告——朴素贝叶斯
m0_73511915的博客
07-29 1625
朴素贝叶斯模型的简单性和高效性使其成为许多实际问题的首选方法之一，尤其是在数据量大、特征独立性高或需要快速原型开发的场景中表现突出。
机器学习算法之朴素贝叶斯算法
I good vegetable a!
09-29 260
算法原理 条件概率 条件概率表示在B=b成立的条件下，A=a的概率，记作P(A=a|B=b)，或者说条件概率是指事件A=a在另外一个事件B=b已经发生的条件下的概率。联合概率、边缘概率、条件概率的关系如下： P(A∣B)=P(A,B)P(B)P(A|B)=\frac{P(A,B)}{P(B)}P(A∣B)=P(B)P(A,B)​ 写成乘法的形式为: P(A,B)=P(B)∗P(A∣B)=P(A)∗...
机器学习入门之《统计学习方法》笔记——朴素贝叶斯法
Quanfita的博客
02-21 898
  朴素贝叶斯(naive Bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法。 目录 朴素贝叶斯法 参数估计 极大似然估计 学习与分类算法 算法 朴素贝叶斯算法 贝叶斯估计 小结 参考文章 朴素贝叶斯法   设输入空间X⊆RnX⊆RnX\subseteq \mathbb{R}^n 为nnn 维向量的集合，输出空间为类标记集合Y={c1,c2,.....
机器学习算法-朴素贝叶斯（附源码）
yphx0501的博客
12-25 2882
前言 •贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。 •分类问题综述： –对于分类问题，其实谁都不会陌生，我们每个人每天都在执行分类操作，只是我们没有意识到罢了。例如，当你看到一个陌生人，你的脑子下意识判断TA是男是女。其实这就是一种分类操作。 –从数学角度来说，分类问题可做如下定义：已知集合：∁={y_(1,) ┤ ├ y_(2, ) y_(3,
机器学习算法（8）——朴素贝叶斯、最小风险贝叶斯决策
知识搬运工的博客
01-21 8414
最后以巨佬——“贝叶斯大爷”作为基本机器学习算法学习的压轴算法》》》》》》》》》》》》》膜拜！！！！！！ 1 准备知识：条件概率公式 　　 2 如何使用条件概率进行分类 　　假设这里要被分类的类别有两类，类c1和类c2，那么我们需要计算概率p(c1|x,y)和p(c2|x,y)的大小并进行比较： 如果：p(c1|x,y)>p...
机器学习算法——朴素贝叶斯
2401_87863416的博客
05-04 1445
虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。指在事件发生后得到的“修正”概率，即通过事件发生后得到的数据计算出的概率。，是指在某个参数或假设成立的前提下，观察到的当前数据的概率。贝叶斯定理将先验概率转化为后验概率，即使用所谓“以往的经验”去计算“新数据更新后的结果”。由分类结果可得，样本“test1”的类别为“好瓜”，即其标签“好瓜”的取值为“是”。
机器学习算法应用——朴素贝叶斯分类器
weixin_66547608的博客
05-10 1904
朴素贝叶斯分类器
机器学习知识图谱——朴素贝叶斯算法
最新发布
moton2017的博客
06-02 1319
朴素贝叶斯是一种基于贝叶斯定理与特征条件独立假设的概率分类算法。 适用于：文本分类、垃圾邮件识别、情感分析、医学诊断、舆情分类 等领域。
机器学习（6）——朴素贝叶斯
jiaomongjun的博客
04-16 1070
朴素贝叶斯算法（Naive Bayes）是一种基于贝叶斯定理的概率分类算法，在机器学习和数据挖掘中广泛应用。它被称为“朴素”的原因是它假设特征之间是条件独立的，这简化了模型的复杂度，使得它在许多实际问题中能够表现得相当高效，尤其适用于文本分类、垃圾邮件识别等任务。朴素贝叶斯是一种简单但强大的概率分类器，尤其适合高维稀疏数据和实时预测场景。尽管其独立性假设在实际中可能不成立，但在许多任务（如文本分类）中仍表现优异。理解其数学基础（贝叶斯定理）和变种（高斯/多项式/伯努利）是灵活应用的关键。
机器学习实战——朴素贝叶斯.zip
04-16
机器学习是一种通用的数据处理技术，其包含了大量的学习算法。不同的学习算法在不同的行业及应用中能够表现出不同的性能和优势。目前，机器学习已成功地应用于下列领域： 互联网领域----语音识别、搜索引擎、语言...
精选资源
机器学习算法总结4:朴素贝叶斯法
01-20
朴素贝叶斯法是一种在机器学习领域广泛应用的分类算法，其理论基础是贝叶斯定理和条件独立假设。该算法假设各个特征之间相互独立，这使得计算变得更加简单，但可能会降低模型的准确性。 1. **贝叶斯定理与模型**： ...
机器学习算法 —— 朴素贝叶斯
ZShiJ的博客
06-11 416
朴素贝叶斯法 = 贝叶斯定理 + 特征条件独立。朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一。它是基于贝叶斯定义和特征条件独立假设的分类器方法。由于朴素贝叶斯法基于贝叶斯公式计算得到，有着坚实的数学基础，以及稳定的分类效率。NB模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。当年的垃圾邮件分类都是基于朴素贝叶斯分类器识别的。贝叶斯公式是英国数学家提出的一个数据公式:p(A,B)：表示事件A和事件B同时发生的概率。
机器学习算法（三拓展）——四种贝叶斯分类器
MIT_sword的博客
09-29 2367
今天给大家列举四种贝叶斯分类器： 1)NaiveBayes分类器 为简化计算,最简单的情形可假定各特征变量x是相对独立的,即为NB(Na????ve2Bayes)分类器,如图1所示・虽然这种条件独立的假设在许多应用领域未必能很好满足,但这种简化的贝叶斯分类器在许多实际应用中还是得到了较好的分类精度。 2)TAN分类器 TAN(TreeAugmentedNa????ve2Bayes)分类器对NB分类器进行了扩展...
机器学习算法（六）——集成学习三 之Bagging算法
MIT_sword的博客
09-30 1634
Bagging直接基于自助采样法bootstrap sampling。 自助采样法的步骤是：给定包含 N个样本的数据集： 先随机取出一个样本放入采样集中，再把该样本放回原始数据集。 这样经过 N 次随机采样操作，得到包含 N个样本的采样集。 初始训练集中有的样本在采样集中多次出现，有的则从未出现。一个样本始终不在采样集中出现的概率是 。 根据 因此初始训练集中约有 63.2% 的样本出现在了...
机器学习算法——极大似然估计
MIT_sword的博客
10-08 975
极大似然估计： 1.若总体X为离散型，其概率分布列为 其中 为为未知参数。设 是取自总体的样本容量为n的样本，则 的联合分布律为 。又设 的一组观测值为 ，易知样本 取到观测值 的概率为 这一概率随 的取值而变化，它是 的函数，称 为样本的似然函数。 2.若总体X为连续型，其概率密度函数为 ，其中 为未知参数。设 是取自总体的样本容量为n的简单样本，则 的联合概率密度函数为 。又设 的一组观测值为...
机器学习算法——概率图
MIT_sword的博客
10-01 637
1.概率图模型probabilistic graphical model 就是一类用图来表达随机变量相关关系的概率模型： 用一个结点表示一个或者一组随机变量。 结点之间的边表示变量间的概率相关关系。 概率图描述了：联合概率分布在所有随机变量上能够分解为一组因子的乘积的形式，而每个因子只依赖于随机变量的一个子集。 2.根据边的性质不同，概率图模型可以大致分为两类： 使用有向无环图表示随机变量间的依赖...
机器学习算法（六）——集成学习一
MIT_sword的博客
09-30 497
在这之前已经介绍了不少机器学习回归和分类的方法，今天将整理一下集成学习也可以说是组合学习算法。 集成学习ensemble learning是通过构建并结合多个学习器来完成学习任务。其一般结构为： 先产生一组“个体学习器”（individual learner) 。个体学习器通常由一种或者多种现有的学习算法从训练数据中产生。 如果个体学习器都是从某一种学习算法从训练数据中产生，则称这样的集成学习是同...
机器学习算法（一）——感知机
MIT_sword的博客
09-28 357
机器学习算法（一）——感知机： 为了加深自己对算法对进一步理解，将逐步开始编辑写相应博客用作记录。 今天在第一篇将谈谈机器学习的基础算法之感知机。 感知机是二类分类的的线性分类模型，其输入为实例的特征向量，输出为实例的类别+1、-1，感知机对于输入空间（特征空间）划分为正负两类的分离超平面，属于判别类型。感知机学习旨在求出将训练数据进行线性划分的分离超平面，为此基于误分类的损失函数，利用梯度下降法...
头歌机器学习——朴素贝叶斯分类器答案
03-29
texts = ["机器学习 朴素贝叶斯 分类器", "垃圾邮件 检测 朴素贝叶斯", "文本分类 算法"] labels = [1, 0, 1] # 假设1为技术类，0为垃圾类 # 文本向量化（词频统计） vectorizer = CountVectorizer() X = ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值