机器学习--贝叶斯算法（1）

cloudless_sky cloudless_sky 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 574平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄8年
关注
原创 最新推荐文章于 2026-03-29 19:18:01 发布 574 阅读 AI 写同款· GEO 优化 ›
朴素贝叶斯基础【机器学习算法一朴素贝叶斯1】 过去的7天当中，有3天下雨，4天没有下雨。用0代表灭有下雨，而1代表下雨，我们可以用一个数组来表示： y=[0,1,1,0,1,0,0] 而在这7天当中，还有另外一些信息，包括刮北风，闷热，多云，以及天气预报给出的信息，如下表： 对于一维数组或者列表，unique函数去除其中重复的元素，并按元素由大到小返回一个新的无重复元素的元组或者列表。 ... 阅读详情

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

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

那么，条件概率p(xi|y=y)怎么得到呢？其实是从样本中统计得到。
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
注意下面这个图中下面的p(yes|no)和上面右边的那个概率写反了，换一下；
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
下图中p(Y=Yes)小错误
在这里插入图片描述
因为分母是一样的，所以只需要比较分子；
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
求条件概率和先验概率可以采用不同的模型，下面介绍两种：
1、多项式模型（以单词为单位）
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
2、伯努利模型（以文件为单位）
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

视频截图来自于幂次学院的课程，哔哩哔哩AI研习图书馆，视频链接

收录于
研究生机器学习

当前文章被收录于：

研究生机器学习
25 篇文章 11 人学习
订阅专栏 查看详情
标签
#机器学习 #算法 #人工智能 #朴素贝叶斯算法
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。
机器学习（1）k最近邻算法、朴素贝叶斯算法、聚类算法、 k最近邻算法 1. 原理 数据映射到高维空间中的点找出k个最近的样本投票结构 2.如何衡量距离 数学中距离满足三个要求 必须为正数必须对称满足三角不等式 3.闵可夫斯基距离（Minkowski）： 汉哈顿距离欧氏距离切比雪夫距离 公式： q越大，差异越大的维度对最终距离影响越大 q = 1时为曼哈顿距离 q = 2时为欧式距离 q 阅读详情

相关推荐

2024年Python最新机器学习之贝叶斯_贝叶斯算法背景(1)

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~给大家准备的学习资料包括但不限于：Python 环境、pycharm编辑器/永久激活/翻译插件python 零基础视频教程Python 界面开发实战教程Python 爬虫实战教程Python 数据分析实战教程python 游戏开发实战教程Python 电子书100本。

2401_84692456的博客 117

机器学习基础算法—贝叶斯

目录 1

afk110的博客 362

机器学习算法三——基于概率论的分类方法：朴素贝叶斯（1）

若要求分类器给出“该数据实例属于哪一类”的明确答案，可能会产生错误结果。这时，可以要求分类器给出一个最优的类别猜测结果，同时给出这个猜测的概率估计值。 “朴素”：整个形式化过程只做最原始、最简单的假设。 一、基于贝叶斯决策理论的分类方法 朴素贝叶斯（贝叶斯决策理论的一部分） 优点：在数据较少的情况下仍然有效，可以处理多类别问题。 缺点：对于输入数据的准备方式较为敏感。 适用数据类型：标称型数据。 ...

Blog 848

机器学习计算题——朴素贝叶斯

例题1 例题2 例题3

不甘平凡的码农 1618

经典算法之——解决全排列问题以及详解

回溯”指的是“状态重置”，可以理解为“恢复现场”，是在编码的过程中，是为了节约空间而使用的，而在递归或者深度优先中根据需要的场合来配合回溯法可以进一步对自己的代码进行优化。, n-1, n}，方向都为向左。邻位对换法是全排列生成算法中的其中一种，它的换位是双向的，通过保存数字的“方向性”来快速得到下一个排列。最后以 3 开头的全排列为[3, 1, 2], [3, 2, 1]；以 1 开头的全排列为[1, 2, 3], [1, 3, 2]；以 2 开头的全排列为[2, 1, 3], [2, 3, 1]；

m0_68987535的博客 8794

【C++】小猫钓鱼纸牌游戏--C++实现

小猫钓鱼问题： 描述：初始，两个人各有n张牌（牌面0-10），顺序固定，只能按顺序出牌。然后，两个人轮流在桌面上以接龙的方式出牌，当某个人放置的牌在桌面上已经出现时，他收起相同牌面及其中间的牌作为自己的筹码，同时需要再放一张牌到桌面。某人手上的牌出完后，另一个人继续出，直到两人手上都没牌为止，输出结束时两个人手上的筹码数。 #include<iostream> using namespace std; struct queue { int head; //队列首 int tail; //

qq_41344430的博客 3202

机器学习：朴素贝叶斯算法

朴素贝叶斯算法是一种基于贝叶斯定理与特征条件独立假设的分类方法。它通过计算后验概率来进行分类，适用于文本分类、垃圾邮件过滤等场景。贝叶斯公式使用先验概率计算后验概率，公式如下：将A看成，B看成，那么贝叶斯公式可写作：其中​ 表示是。分类时选择使最大的类别。假设。

2301_78673006的博客 963

workbench谐响应

定义材料 打开Engineering Data定义材料，在分析时不同部分选择不同材料 建模 打开Geometry建模，我举的例子很简单就一根光秃秃的轴 因为要加轴承，在轴上创建imprint face 因为要用point mass代替轴上原来的盘，在轴上盘的位置新建一个Plane，用Slice方法将轴从XYPlane3分成两段 施加边界条件以及谐响应分析 打开Model 1.在两段轴的交界面处，创建Point Mass，输入质量与转动惯量，位置在轴线上 2.mass point promote to.

my blogs include programming, math, physics.回首过去，放眼未来。 leslielee.blog.youkuaiyun.com 5884

机器学习实战——朴素贝叶斯练习

参考：https://www.cnblogs.com/zy230530/p/6847243.html 代码段需完善 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)&amp;gt;p(c2|x,y),则(x,y)属于类c1 p(c1|x,y)&amp;lt;p(c2|x,y),则(x,y)属于类c...

瑶子的博客 599

博途 V16（TIA portal V16）安装教程

本文提供了西门子TIA Portal V16软件的完整安装指南。内容包括百度网盘下载链接（提取码kv69）、详细安装步骤（关闭安全保护、典型安装设置）、授权破解方法，以及PLCSIM仿真功能的使用说明。重点演示了S7-1200 PLC程序的仿真过程，解析了仿真界面各元素功能，包括状态指示灯（RUN/STOP/ERROR）、操作按钮（RUN/STOP/MRES）和网络接口状态等。通过图文并茂的方式，完整呈现了从软件安装到PLC程序仿真的全流程操作。

lingchen1906的博客 6713

量子编程专业权威教程(十四):Shor 算法

本文系统阐述了Shor算法的原理与实现，重点解析了将大数分解问题转化为周期寻找问题的数论基础，以及模幂运算量子电路的设计方法。通过以N=15为例的完整算法流程演示，展示了量子计算在因数分解问题上的指数级优势。文章详细拆解了受控幺正操作构建、量子傅里叶变换应用等关键技术环节，并提供了可复现的Qiskit代码实现。同时指出了当前量子硬件在比特数、相干时间和错误率等方面面临的工程挑战，这些限制使得分解大整数仍需长期技术突破。该研究为理解量子计算优势提供了典型范例，对后量子密码学发展具有重要启示意义。

分享知识，拥抱变化 799

机器学习之贝叶斯算法

机器学习算法，就是基于大量经验数据对某个问题进行预测的算法； 1、机器学习分类 从训练特点，可以分为监督学习、无监督学习、半监督学习； 从解决问题，可以分为分类算法，聚类算法，回归分析算法，推荐算法； 2、数学基础 向量： 就是一串数字，代表现实中某个事物的一系列特征和特征值 相似度： 用欧几里得距离来衡量相似度： 用余弦相似度衡量： 概率入门： 联合概率 P(A^B) ：多件事情都发生的可能性！ 条件概率 P(A | B) = P(A^B)/ P(B) : B条件下A发生的概率 贝叶斯公式 P(B

大数据同盟会的博客 3314

【ComfyUI专栏】ComfyUI 常用工作流下载与分享网址

首先我们来分享第一个网站，Openart 网站，这个网站同时也能提供比较多的其他类型。但是如果希望下载工作流，我们可以访问到如下的这个站点。作为ComfyUI的学习用户来说，我们通常需要借助他山之石来帮助我们快速成长，因此我们需要找到能够分享和下载的网址。,当前网站是综合性网站，在网站中可以下载各种不同的类型，其中工作流只是可以下载的非常小的部分。这个网站也可以浏览不同的工作流，这个工作流的地址和访问如下的站点。

技术与管理的平衡木- 7796

机器学习（1）——贝叶斯网络分类算法

目录 朴素贝叶斯 贝叶斯定理 分类算法之贝叶斯网络（Bayesian networks） 1、贝叶斯网络的解释和举例 2、贝叶斯网络的定义及性质 3、贝叶斯网络的构造和学习 4、贝叶斯网络的应用及示例 识别作者小项目： 目录 朴素贝叶斯 贝叶斯定理 分类算法之贝叶斯网络（Bayesian networks） 1、贝叶斯网络的解释和举例 2、贝叶斯网络的定义及性质 3、...

xiao_lxl的专栏 5810

Vue2 - 最新实现接入使用天地图及卫星视图切换功能，在国家天地图上自由切换地图显示类型（卫星视图/地形视图/卫星混合/地形混合/普通视图）vue天地图切换视图显示改成卫星风格，切换地图图层完整代码

vue2，nuxt2，天地图，视图，卫星，地图类型切换，vue天地图，改成卫星视角，在线地图切换，来回切换卫星图，天地图如何实现来回切换卫星图，地形图，卫星视图，vue中使用天地图自定义样式切换地图图层，切换报错，加载出错，卫星图太卡，地图图层更换，vue安装集成天地图详细示例源码，切换地图的样式，在天地图中如何将地图的类型随意更换，提供多种视图模式用户自由点击更换，VUE引入天地图卫星版，详细教程示例源码代码，天地图切换卫星用什么api，卫星视角API方法，vue2卫星天地图，能改地图的显示方式，图层类型

🏆 前端领域优质创作者 4140

大模型——Dify：知识库与外部知识库

摘要 Dify的知识库功能为开发者提供了动态知识管理解决方案，超越了大模型静态预训练数据的限制。知识库支持多种文档格式（如txt、pdf、docx等），通过文档分段、索引设置和检索优化机制提升LLM的响应准确性。系统提供高质量和经济两种索引模式，前者采用向量化检索技术，后者使用关键词匹配以降低成本。知识库支持元数据管理，包括自动生成的内置元数据和用户自定义元数据，便于内容分类和检索。对于高级需求，Dify还支持连接外部知识库，通过API实现跨平台数据共享和检索优化，满足企业级知识管理需求。

731

机器学习之朴素贝叶斯算法（1）

这已经是机器学习的第三种算法了。说起朴素贝叶斯，可能大家都不太清楚 是什么。但是如果学过概率论与数理统计，你可能对贝叶斯定理有所了解，但又记不清是在哪里。没错，这么重要的一个定理，在概率论与数理统计上面，只用了很小的一个篇幅来介绍它。这也不怪书，因为它的表达形式实在是太简单了。 先来看一下它的数学表达形式： P(AB)=P(B|A)P(A)=P(A|B)P(B) 没错，这就是贝叶斯定理。其实

刘炫320的博客 1251

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

机器学习算法——贝叶斯分类器1（贝叶斯决策论）

贝叶斯决策论是概率框架下实施决策的基本方法。 对于分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。 以多分类任务为例解释其基本原理。 1. 先验概率（Prior probability） 先验概率是指根据以往经验和分析得到的概率，反映了我们在实际观察之前对某种状态的预期。 先验概率记作： 我们能否可以基于先验做出决策？（决策规则是基于输入所采取的特定行动） 答案是肯定的，但是局限性比较大。因为①先验不考虑其它因素，总是做出同样

Vicky_xiduoduo的博客 1964

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

【机器学习】案例1.1——贝叶斯算法实现鸢尾花数据集分类

鸢尾花（Iris）数据集是机器学习领域最经典的分类基准数据集之一，由统计学家Fisher于1936年提出，包含150条样本（3类鸢尾花品种：山鸢尾、变色鸢尾、维吉尼亚鸢尾，每类50条），每条样本涵盖4个核心形态特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。

Charlie482的博客 649

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

大数据最新机器学习算法（7）—— 朴素贝叶斯算法(1)

（1）优点朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率对缺失数据不太敏感，算法也比较简单，常用于文本分类分类准确度高，速度快（2）缺点由于使用了样本属性独立性的假设，所以如果特征属性有关联时其效果不好需要计算先验概率，而先验概率很多时候取决于假设，假设的模型可以有很多种，因此在某些时候会由于假设的先验模型的原因导致预测效果不佳；先验概率：直观理解，所谓“先”，就是在事情之前，即在事情发生之前事情发生的概率。是根据以往经验和分析得到的概率，“由因求果”。

2401_84185074的博客 962

最新机器学习算法（7）—— 朴素贝叶斯算法(1)，深夜思考

朴素贝叶斯是一种分类算法，经常被用于文本分类，它的输出结果是某个样本属于某个类别的概率。（1）优点朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率对缺失数据不太敏感，算法也比较简单，常用于文本分类分类准确度高，速度快既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新。

2401_84166965的博客 967

《机器学习核心算法》分类算法 - 朴素贝叶斯 MultinomialNB_multinomialnb()(1)

作者简介」：优快云 top100、阿里云博客专家、华为云享专家、网络安全领域优质创作者「推荐专栏」：小白零基础。

2401_86950981的博客 639

Python3：《机器学习实战》之朴素贝叶斯（1）算法概述

Python3：《机器学习实战》之朴素贝叶斯（1）算法概述 转载请注明作者和出处：http://blog.youkuaiyun.com/u011475210 代码地址：https://github.com/WordZzzz/ML/tree/master/Ch04 操作系统：WINDOWS 10 软件版本：python-3.6.2-amd64 编  者：WordZzzz

WordZzzz 5166

机器学习算法1-朴素贝叶斯（Naive Bayes

　　本人是一名Android Developer， 对人工智能比较感兴趣，所以决定自学进入这一领域，一边学一边通过写日志的方式巩固自己的知识，也许写的不是很好，但是希望能够给志同道合的人们一些帮助。 　　朴素贝叶斯 　 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法 。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Nai...

lansus的博客 554

机器学习算法（二）: 朴素贝叶斯(Naive Bayes)-1

机器学习算法（二）: 朴素贝叶斯(Naive Bayes)-1 1. 实验室介绍 1.1 实验环境 python3.7 numpy >= ‘1.16.4’ sklearn >= ‘0.23.1’ ——问题：sklearn的安装 1.2 朴素贝叶斯的介绍 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

weixin_43664661的博客 327

Atitit 机器学习算法分类 目录 1. 传统的机器学习算法 vs 深度学习 1 1.1. 传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。 2 2. 监

Atitit 机器学习算法分类 目录 1. 传统的机器学习算法vs 深度学习 1 1.1. 传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。 2 2. 监督学习与非监督学习 2 3. 连续型学习跳跃型学习 2 4. 根据学习方式分类 2 4.1. 包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等 2 4.2....

attilax的专栏 889
上一篇： win10如何局部截图
下一篇： 贝叶斯（2）-最大似然估计和贝叶斯参数估计
点赞 0
评论 0
书签 书签 1
cloudless_sky
cloudless_sky
博客等级 码龄8年 106粉丝 128原创
+ 关注 专栏目录 订阅专栏
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
 
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