机器学习系列-朴素贝叶斯分类器

本文介绍了贝叶斯分类器的基础,特别是朴素贝叶斯分类器。通过贝叶斯定理,解释了如何利用条件概率进行分类。文章详细讨论了如何在特征属性为连续值时估计条件概率,并介绍了Laplace校准来解决特征项划分频率为0的问题。最后,概述了朴素贝叶斯算法的优点和缺点,强调了其在实际应用中的价值。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

贝叶斯分类器

什么是贝叶斯分类器

贝叶斯分类器是一类分类器的总称,这些分类器均以贝叶斯定理为基础,故统称为贝叶斯分类器。这些分类器中最简单的是朴素贝叶斯分类器,它几乎完全按照贝叶斯定理进行分类,因此我们从朴素贝叶斯分类器说起。

贝叶斯定理:

贝叶斯定理是概率论中一个比较重要的定理,在讲解贝叶斯定理之前,首先回顾一下贝叶斯定理的基础:条件概率和全概率公式。

  • 条件概率:设A,B是两个事件,且P(A)>0,称
    P(B|A)=P(AB)P(A)

    为在事件A发生的情况下事件 B 发生的条件概率。

条件概率很容易理解。一般情况下,概率可以表示为事件所包含的基本事件数(表示为count(B))与样本空间的基本事件数(表示为count(S))之商,即

P(A)=count(B)count(S)

当我们在求条件概率时,分母不再是 count(S) 而是 count(AS) ,而分子也变成了 count(AB) ,因此
P(B|A)=count(AB)count(AS)=count(AB)count(A)

因为 count(AB)count(A)=P(AB)count(A)P(A)count(A) ,约去 count(A) ,就得到了条件概率公式。
  • 全概率公式:设试验E的样本空间为 S A
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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