［机器学习笔记］朴素贝叶斯

最新推荐文章于 2025-05-04 14:32:40 发布
原创 最新推荐文章于 2025-05-04 14:32:40 发布 · 835 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。
文章标签：

#人工智能 #数据分析 #数据挖掘 #机器学习

博客围绕人工智能、数据分析和数据挖掘展开，虽未给出具体内容，但可知涉及这些信息技术领域，人工智能助力数据挖掘与分析，挖掘潜在价值，数据分析为决策提供依据。

机器学习笔记——朴素贝叶斯算法
haopinglianlian的博客
11-17 1388
本笔记介绍机器学习中朴素贝叶斯算法。
机器学习笔记 - 学习朴素贝叶斯概念及应用
学以致用 知行合一
12-19 1164
贝叶斯分类算法是一大类分类算法的总称；贝叶斯分类算法以样本可能属于某类的概率来作为分类依据；朴素贝叶斯分类算法是贝叶斯分类算法中最简单的一种。 朴素的意思是条件概率独立性。朴素贝叶斯方法是一组监督学习算法，基于贝叶斯定理，并在给定类变量值的情况下，每对特征之间的条件独立性的“朴素”假设。尽管它们的假设显然过分简化，但朴素的贝叶斯分类器在许多实际情况下（在著名的文档分类和垃圾邮件过滤中）都表现良好。他们需要少量的训练数据来估计必要的参数。另一方面也是由于过于...
机器学习——朴素贝叶斯
CXDNW的博客
08-14 2579
算法得出的结论，永远不是 100% 确定的，更多的是判断出了一种 “ 样本的标签更可能是某类的可能性 ”，而非一种 “ 确定 ”。决策树 使用的 是 叶子节点上 占比较多 的标签 所占的比例（接口 predict_proba 调用），逻辑回归 使用的 是 sigmoid函数 压缩后的 似然（接口 predict_proba 调用），而 SVM 使用的 是样本点到 决策边界的 距离（接口 decision_function 调用）。但这些指标的本质，都是一种 “类概率” 的表示，可以。
机器学习算法——朴素贝叶斯
最新发布
2401_87863416的博客
05-04 1465
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：朴素贝叶斯笔记
Ningbo_JiaYT的博客
01-02 1114
朴素贝叶斯学习笔记
【机器学习】朴素贝叶斯详解
2201_75415080的博客
10-21 1169
朴素贝叶斯分类alpha：拉普拉斯平滑系数。
机器学习笔记六-朴素贝叶斯
08-20 1198
朴素贝叶斯是一种简单而高效的分类算法，特别适用于文本分类和高维数据。尽管它的独立性假设可能在现实中不成立，但在许多实际应用中，朴素贝叶斯仍能表现出色。它的实现简单，计算复杂度低，适合处理大规模数据集，是许多应用中的首选模型之一。
机器学习笔记(一)——朴素贝叶斯
m0_48448235的博客
10-03 1569
基于概率建模的方法是机器学习中比较抽象的一部分内容，而朴素贝叶斯法属于最简单的概率模型，加上了特征条件独立的假设以后，学习的效率高但是建模能力有限。后续的学习有隐马尔可夫模型和条件随机场这些更加复杂并且建模能力更强的模型，并且其参数难以直接解方程估计，一般使用EM算法这种迭代的优化算法来估计参数。因为自己对概率模型已经接触了有一段时间，但是使用的时候还是非常不熟悉，一用到就需要反复的看书和查公式。根本原因还是这种概率的模型比深度学习模型更加抽象和难以理解，所以从最基础的过程写起写了这篇博客。
机器学习笔记-朴素贝叶斯分类
weixin_54814385的博客
03-26 511
前言   前面一段时间整理了很多关于树模型的文章，而接下来的篇章，主要是介绍关于概率模型的知识。   在这章中，将会出现各种各样新的名词，例如朴素贝叶斯、贝叶斯估计、极大似然估计等等，这些都是概率模型最基本的知识点，也是重中之重的基础部分。 深入理解朴素贝叶斯   将朴素贝叶斯拆解为两个不相关的名词：朴素 和 贝叶斯。为了更好的理解这两个概念，我们先来了解一些概率论的基础知识。 1.贝叶斯定理   朴素贝叶斯是基于贝叶斯定理提出的，那么贝叶斯定理又是由什么组成的呢？   为了解决这个问题，我们先了解几个专业
机器学习之朴素贝叶斯（自学笔记）
金亮的博客
08-24 358
朴素贝叶斯的概念，算法原理，优缺点 以及简单的例题介绍 （一）提出问题 （二）概率计算
【机器学习笔记】朴素贝叶斯
weixin_43983674的博客
03-22 213
对机器学习中的朴素贝叶斯的概要知识点进行总结；
机器学习 | 朴素贝叶斯
happylls666的博客
12-23 1935
朴素贝叶斯学习笔记
［机器学习笔记］回归
热门推荐
七月知上的博客
12-14 1万+
为了更好的理解机器学习中回归算法，将回归算法的数学推论做了推导，主要参考了斯坦福大学吴恩达和小象学院邹博的课件，以及李航的统计学习方法。水平所限若有所疏漏，敬请指出。
［机器学习笔记］机器学习基本概念总结
七月知上的博客
12-27 1477
机器学习基本概念的总结
［机器学习笔记］支持向量机(上)
七月知上的博客
12-22 1279
支持向量机是一种二分类模型，它的最基本模型是定义在特征空间上间隔最大的线性分类器。支持向量机分为线性可分支持向量机，线性支持向量机和非线性支持向量机。
［机器学习笔记］HMM
七月知上的博客
01-10 1266
隐马尔可夫模型(HMM)是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。HMM的实际问题主要包含概率计算问题，学习问题和预测问题。
［机器学习笔记］xgboost
七月知上的博客
01-09 1134
xgboost是数据挖掘比赛中神器，本文是对xgboost理论部分数学推导的笔记，最后还转载了知乎上对GBDT和xgboost异同的分析。
［机器学习笔记］EM算法
七月知上的博客
01-07 989
EM算法是一种迭代算法，用于含有隐变量的概率模型参数的极大似然估计或极大后验概率估计。EM算法分为求期望的E步和求极大的M步，所以这一算法称之为期望极大算法。
朴素贝叶斯分类方法详解：从理论到Python实践
"《机器学习实战》第四章深入探讨了基于概率论的分类方法，特别是朴素贝叶斯算法。这份学习笔记涵盖了从贝叶斯决策理论基础到实际应用的完整过程，包括条件概率、贝叶斯准则以及如何利用这些概念进行分类。资源还...
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