三种贝叶斯分类

最新推荐文章于 2023-10-08 11:24:59 发布

原创

最新推荐文章于 2023-10-08 11:24:59 发布 · 4.5k 阅读

15 ·

CC 4.0 BY-SA版权

本文介绍了朴素贝叶斯分类中的三种常见方法：高斯朴素贝叶斯、多项式朴素贝叶斯和伯努利朴素贝叶斯。高斯朴素贝叶斯使用高斯概率密度进行分类，多项式朴素贝叶斯适用于文章分类，而伯努利朴素贝叶斯处理布尔特征值的分类问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

因变量是定量型的归纳学习称为回归，或者说是连续变量预测
因变量是定性型的归纳学习称为分类，或者说是离散变量预测
　　　　　　Ｐ（ＡＢ）＝　Ｐ（Ｂ｜Ａ）Ｐ（Ａ）
　　P（A）叫做A事件的先验概率，就是一般情况下，认为A发生的概率。
　　P（B|A）叫做似然度，是A假设条件成立的情况下发生B的概率。
　　P（A|B）叫做后验概率，在B发生的情况下发生A的概率，也就是要计算的概率。
　　P（B）叫做标准化常量，和A的先验概率定义类似，就是一般情况下，B的发生概率。
　　
　　（1）高斯朴素贝叶斯（Gaussian Naive Bayes）；
　　（2）多项式朴素贝叶斯（Multinomial Naive Bayes）；
　　（3）伯努利朴素贝叶斯（Bernoulli Naive Bayes）。
　　其中，高斯朴素贝叶斯是利用高斯概率密度公式来进行分类拟合的。多项式朴素贝叶斯多用于高维度向量分类，最常用的场景是文章分类。伯努利朴素贝叶斯一般是针对布尔类型特征值的向量做分类的过程。

from sklearn.naive_bayes import GaussianNB   # 高斯贝叶斯分类
# 0：晴 1：阴 2：降水 3：多云
data_table = [["date", "weather"],
          [1, 0],
          [2, 1],
          [3, 2],
          [4, 1],
          [5, 2],
          [6, 0],
          [7, 0],
          [8, 3],
          [9, 1],
          [10, 1]