【面试题】为什么要叫做朴素贝叶斯

最新推荐文章于 2024-10-04 07:32:39 发布
原创 最新推荐文章于 2024-10-04 07:32:39 发布 · 633 阅读 · 1 ·
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。

本文深入探讨了贝叶斯公式的应用，并介绍了朴素贝叶斯算法如何通过类条件独立假设简化计算，特别强调了其在后验概率计算中忽略全概率公式分母的特性。

贝叶斯公式：P(A|B)=P(B|A)*P(A)
朴素贝叶斯：P(A|B)=P(B|A)*P(A)=P(B1)*P(B2)*P(B3)*P(A)类条件独立

朴素贝叶斯：
1、朴素贝叶斯在贝叶斯的基础上做了类条件的独立，简化了原来的贝叶斯公式的计算
2、朴素贝叶斯后验概率不需要计算分母的全概率公式，去掉分母部分，简化了计算

朴素贝叶斯（NBM,Naive Bayesian Model）为什么朴素又有哪些形式？
data+scenario+science+insight
04-13 472
先上问题： 第一，朴素贝叶斯为什么朴素？ 第二，有哪些形式，高斯、多项式、伯努利，什么情况情况下用什么模型？ 用客观的新信息更新我们最初关于某个事物的信念后，我们就会得到一个新的、改进了的信念。 托马斯·贝叶斯(Thomas Bayes，1702～1761) 如果你看到一个人总是做一些好事，则会推断那个人多半会是一个好人。这就是说，当你不能准确知悉一个事物的本质时，你可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。 用数学语言表达就是：支持某项属性的事件发生得愈多，则该..
机器学习之朴素贝叶斯算法详解
热门推荐
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...
面试（9）：朴素贝叶斯
小蜗牛的博客
07-24 459
特征选择与特征提取（降维）1、朴素贝叶斯为什么”朴素“2、简要说说贝叶斯定理（推导）3、半朴素贝叶斯与朴素贝叶斯 1、朴素贝叶斯为什么”朴素“   因为它假定所有特征在数据集中的作用是同样重要和相互独立的。这个假设在现实世界中是很不真实的，因此，说朴素贝叶斯很“朴素”。 朴素贝叶斯模型假设样本特征彼此独立。这个假设现实中基本上不存在, 但特征之间有较小的相关性，这在现实生活中普遍存在，因此朴素贝叶...
朴素贝叶斯的面试看这一篇就够了
个人记录使用
08-04 693
文章目录1.学习与分类2.参数估计 1.学习与分类 2.参数估计
为什么朴素贝叶斯如此“朴素”？
weixin_39873397的博客
03-15 3144
为什么朴素贝叶斯如此“朴素”？ ​ 贝叶斯算法简单高效，在处理分类问题上，是首先要考虑的方法之一。1、简述贝叶斯定理： ​ 贝叶斯分类是一类分类算法的总称，这类算法均已贝叶斯定理为基础，故统称为贝叶斯分类。 ​ 公式如下： ​ P(B|A)=P(A|B)P(B)P(A) 该公式最大的优点就是可以忽略AB的联合概率直接求其条件概率分布。2、朴素贝叶斯分类： ​ 因为它假定所有的特征在数...
为什么贝叶斯统计如此重要？
Datawhale
05-21 647
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货译者：张峰，Datawhale成员即使对于一个非数据科学家来说，贝...
20240327-2-贝叶斯面试题NaïveBayes
qq_24428851的博客
04-14 905
贝叶斯决策理论是主观贝叶斯派归纳理论的重要组成部分。贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策(选择概率最大的类别)。贝叶斯决策理论方法是统计模型决策中的一个基本方法，其基本思想已知类条件概率密度参数表达式和先验概率利用贝叶斯公式转换成后验概率根据后验概率大小进行决策分类零概率问题：在计算实例的概率时，如果某个量xxx，在观察样本库(训练集)中没有出现过，会导致整个实例的概率结果是0。解决办法。
机器学习算法（三）：基于概率论的分类方法：朴素贝叶斯理论与python实现+经典应用（文档分类、垃圾邮件过滤）
GG_freedom
03-04 2128
算法学习笔记更新，本章内容是朴素贝叶斯，是一个用到概率论的分类方法。 算法简介 朴素贝叶斯是贝叶斯决策的一部分，简单说，就是利用条件概率来完成分类。说起条件概率，猛地一下戳到了笔者的伤口。想当年，在学完概率论两年的日子里，它再也没有被我宠幸过。常言道：“谁会考完试了还去看书呢？” 没毛病，我就是那些考完试不看书的人之一。自信满满地走进了推免面试场，被一波数学问题轰炸的败下阵来，其中就包括条件概率。总结：学好概率论、学好线代，it is very important. 至少在一些高校面试的时候会被问道。说多了
2024大数据面试题汇总(完善中。。。)
为人性僻 语不惊人
06-18 2888
自己汇总的面试题，涉及到大数据的常用组件，将持续更新... ... 部分图片不全，后期继续完善 更新记录: 2024-6-18 初版0.1.0 :hadoop，hbase，doris，hive，mysql，es 2024-6-26 1.0.0 : java，spark，redis，kafka，flink，kafka，数据仓库
虾皮Shopee大数据面试题及参考答案
最新发布
大模型大数据攻城狮的专栏
10-04 1653
例如，在电商企业的实时推荐系统中，可以将用户行为数据、商品数据等整合到一个宽表中，存储在内存数据库中，然后通过实时分析用户行为，为用户提供个性化的推荐服务。其次，关系型数据库。在 top 命令的输出中，可以看到各个进程的 PID（进程 ID）、USER（进程所有者）、PR（优先级）、NI（Nice 值）、VIRT（虚拟内存大小）、RES（常驻内存大小）、SHR（共享内存大小）、S（进程状态）、% CPU（CPU 使用率）、% MEM（内存使用率）、TIME+（进程使用的 CPU 时间）等信息。
机器学习面试--朴素贝叶斯
anyi6536的博客
07-15 378
关键词：先验概率；条件概率和后验概率；特征条件独立；贝叶斯公式；朴素贝叶斯；极大似然估计；后验概率最大化； 期望风险最小化；平滑方法 朴素贝叶斯分类的定义如下： 1. 设 x = a1,a2, ...,am为一个待分类项，而每个a是x的一个特征属性。 2.待分类项的类别集合C={y1，y2，...,yn} 3. 计算 p（y1|x）...p(yn|x) 4.如果p(yk|x) ...
算法工程师面试之朴素贝叶斯
说文科技，做有态度的研究。
10-28 806
本文从朴素贝叶斯的基本概念说起，然后介绍其具体应用，最后给出一个使用朴素贝叶斯分类的案例。
机器学习面试笔记整理1-朴素贝叶斯
国民本色的博客
03-30 453
机器学习面试笔记整理1-朴素贝叶斯算法思想优缺点应用面试问题收集 算法思想 利用训练数据集求得联合概率分布p(x,y)，然后计算后验概率分布p(y|x),最后进行分类argmaxp(y|x)。 优缺点 优点： 1.可增量，by计数修正 2.简单且对缺失数据不敏感 3.简单高效，训练过程超快 4.多分类同样有效，且复杂度不会大幅度上升 5.对于类别类的输入特征变量，效果非常好 6.调参少 7.泛化能...
五、朴素贝叶斯面试题总结
Anthony_hit的博客
03-11 2107
朴素贝叶斯面经，面试题总结
【面试】解释为什么朴素贝叶斯分类器被称为“朴素”
Lewiz_124的博客
08-10 573
朴素贝叶斯分类器之所以被称为“朴素”，是因为它对特征之间的关系做了一个非常简单的假设——即在给定类别的条件下，所有特征都是独立的。这种假设尽管在实际应用中往往不成立，但它大大简化了计算，使得朴素贝叶斯分类器成为一种非常高效、易实现的分类算法。
10_分类算法-朴素贝叶斯算法应用场景、联合概率和条件概率、朴素贝叶斯介绍、朴素贝叶斯公式、朴素贝叶斯模型流程、半朴素贝叶斯分类器、sklearn朴素贝叶斯实现API、拉普拉斯平滑、优缺点、面试题
涂作权的博客
05-11 2947
1、应用场景 1.1 垃圾邮件分类 2、概率基础 概率定义为一件事情发生的可能性 问题： 1、女神喜欢的概率？ 2、职业是程序员并且体型匀称的概率？ 3、在女神喜欢的条件下，职业是程序员的概率？ 4、在女神喜欢的条件下，职业是产品，体重是超重的概率？ 2.1 联合概率和条件概率 以下主要来自：https://blog.youkuaiyun.com/sinat_30353259/article/deta...
机器学习笔记之朴素贝叶斯
城南花开的专栏
04-15 702
朴素贝叶斯为什么叫朴素贝叶斯？
机器学习面试必知：贝叶斯原理
Neekity的博客
03-26 555
先总结下频率派与贝叶斯派各自不同的思考方式： ～频率派把未知参数θ\thetaθ当作是固定的未知常数。样本X是随机的，重点研究的是样本空间，大部分的计算也是针对样本X的分布 ～贝叶斯派截然相反，认为θ\thetaθ是随机变量，样本X是固定的。重点研究的是参数θ\thetaθ分布 频率派很好理解，因为X样本已知，所以在最大似然方法下很容易去求得一个θ\thetaθ值使得模型的概率最大。而贝叶斯认...
用人话理解朴素贝叶斯
langka9的博客
03-23 600
用文章分类解释一下朴素贝叶斯 公式： X：文章 ----->xj：文章的词 将P(X)转换成P(xj)，即P(X)是特征词在词库中出现的概率 P(yi)：这个类别的先验概率 P(xj|yi)：在yi类别的文章中xj这个特征词出现的概率 P(yi|X)：在这些词的前提下，文章属于类别yi的概率 如何判断这篇文章是属于yi还是y2？ 比较P(y1|X)和P(y2|X)...
朴素贝叶斯分类练习题解析与应用
在字节跳动的面试中，面试官可能会要求应聘者展示对朴素贝叶斯分类器的理解和应用，这要求应聘者不仅要掌握朴素贝叶斯分类器的基本原理，还需要能够通过编程实现朴素贝叶斯算法，并且能够解释模型的输出结果。...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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