机器学习--贝叶斯算法（1）

最新推荐文章于 2025-05-06 02:34:16 发布
原创 最新推荐文章于 2025-05-06 02:34:16 发布 · 547 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：

#机器学习 #算法 #人工智能 #朴素贝叶斯算法

这篇博客探讨了如何从样本中统计得到条件概率p(xi|y=y)，并指出在实际应用中，可以通过多项式模型和伯努利模型来估算。文章特别强调了在比较不同概率时，只需关注分子，因为分母在计算条件概率时是恒定的。同时，视频内容纠正了一个关于p(yes|no)的错误，并提供了相关课程的链接，适合对概率模型感兴趣的读者深入学习。

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

【机器学习-16】贝叶斯（Bayes）算法：原理、应用与优化
qq_38614074的博客
04-13 3万+
1. 总结贝叶斯算法在机器学习中的核心价值和意义贝叶斯算法在机器学习中扮演着至关重要的角色，其核心价值和意义主要体现在以下几个方面：首先，贝叶斯算法提供了一种基于概率的推理框架，能够处理各种不确定性和复杂性。在现实世界的数据集中，特征之间的依赖关系、类别的模糊性等问题往往难以避免。贝叶斯算法通过计算条件概率来估计类别的后验概率，从而能够在这些不确定性中找到最可能的分类结果。其次，贝叶斯算法具有坚实的数学理论基础，其推导过程清晰且易于理解。这使得贝叶斯算法在实际应用中具有较高的可靠性和稳定性。
机器学习之朴素贝叶斯算法详解
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...
机器学习基础-贝叶斯分析-14
gemoumou的python学习实记
02-18 203
贝叶斯分析 贝叶斯-iris # 导入算法包以及数据集 import numpy as np from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report,confusion_matrix from sklearn.naive_bayes import Multinomi
机器学习：朴素贝叶斯算法
2301_78673006的博客
05-06 928
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。
机器学习基础算法—贝叶斯
afk110的博客
12-22 345
目录 1
机器学习初解 朴素贝叶斯分类 12 2.逻辑回归 12 3.聚类算法 13 三，编程题
qq_47991812的博客
06-07 628
机器学习 初解 一 简答题 •主要是以概念的记忆和理解为主 ·范围： ·机器学习中的各类算法，例如： 1.逻辑回归的原理 逻辑回归实属广义线性模型，线性回归预测函数可简单表示为y=X\theta，而逻辑回归预测函数需要做一个函数转换y=g(z)，其中z=X\theta，即通过g将线性回归原本的值域R映射到[0,1]区间内，当取值大于临界值时为一类，小于临界值时为另一类，从而达到0-1分类的目的。这里g一般使用sigmoid函数 逻辑回归输出离散值（0 1），比如邮件判断，Logistic 回归算法输入，判断
机器学习计算题——朴素贝叶斯
不甘平凡的码农
12-30 1431
例题1 例题2 例题3
机器学习-基于朴素贝叶斯算法的分类模型（含数据集）
03-05
机器学习是计算机科学的一个分支，它使计算机系统能够从...朴素贝叶斯算法是一种高效的机器学习工具，适合用于各种分类问题。通过对其原理和实现步骤的深入理解，可以在实际问题中有效地应用该算法，提高分类准确度。
Python- 机器学习项目 - 基于朴素贝叶斯算法的新闻分类
最新发布
08-22
这就催生了对新闻自动分类技术的需求，机器学习中的朴素贝叶斯算法因其简洁高效而被广泛应用于文本分类问题。本项目就是围绕如何使用朴素贝叶斯算法对新闻进行分类这一主题展开。 朴素贝叶斯算法是一种基于概率论的...
机器学习05--朴素贝叶斯
11-08
**朴素贝叶斯算法**是一种基于概率理论的监督学习方法，广泛应用于文本分类、情感分析、垃圾邮件识别等领域。它通过计算先验概率和条件概率来预测类别。在实际应用中，朴素贝叶斯算法假设特征之间相互独立，这一假设...
机器学习-分类-朴素贝叶斯算法
weixin_44020827的博客
12-17 1065
三、朴素贝叶斯算法 朴素贝叶斯算法是基于贝叶斯定理与特征条件独立性假设的分类方法 1.原理 （1）贝叶斯定理 （2）特征条件独立性假设 给定一个数据集(x,y)，每个样本x包含n维特征，类标签集合y包含N个类别。 现给定一个新样本x，需要判断它属于哪一类。在这里，我们取概率最大的类别作为其类标签，即问题转化为：找到最大值对应的类标签。即 ...
机器学习实战——朴素贝叶斯练习
瑶子的博客
08-26 558
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)>p(c2|x,y),则(x,y)属于类c1 p(c1|x,y)<p(c2|x,y),则(x,y)属于类c...
模式识别/机器学习百题（含大部分答案）
热门推荐
Chris's Notes
03-16 14万+
一、概论1、简述模式的概念和它的直观特性，解释什么是模式识别，同时绘出模式识别系统的组成框图，并说明各部分的主要功能特性。对于存在于时间和空间中，可观察的物体，如果我们可以区分它们是否相同或相似，都可以称之为“模式”（或“模式类”）。模式所指的不是事物本身，而是从事物中获得的信息。因此，模式常常表现为具有时间和空间分布的信息。模式的直观特性包括：可观察性，可区分性，相似性。模式识别就是对模式的区分和
周志华《机器学习》课后习题（第七章）：贝叶斯分类
红色石头的专栏
06-03 1万+
作者 |我是韩小琦链接 |https://zhuanlan.zhihu.com/p/517687507.1 试使用极大似然法估算回瓜数据集 3.0 中前 3 个属性的类条件概率.答：...
机器学习之贝叶斯算法
大数据同盟会的博客
09-07 3207
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
机器学习——贝叶斯算法
红叶谷 wsp_1138886114的博客
06-02 1361
一、贝叶斯公式 概率: 二、朴树贝叶斯分类原理 基本流程： 确定特征属性--> 获取训练样本--> 对每个样本计算P(Ci) --> 对每个特征属性 计算所有划分的条件概率P(X1,X1,,,Xn|Ci) --> 对每个类别计算P(X|Ci)*P(Ci)--> 以P(x
机器学习课后题——贝叶斯
Yuetian_w的博客
07-14 1万+
+第四章 贝叶斯分类器 1. 简述朴素贝叶斯的优缺点. 答： 朴素贝叶斯的主要优点有： 算法比较简单，易于实现。 快速，易于训练。 朴素贝叶斯模型有稳定的分类效率。 对小规模的数据表现很好，能处理多分类任务，适合增量式训练，尤其是数据量超出内存时，可以一批批的去增量训练。 对缺失数据不太敏感。 朴素贝叶斯的主要缺点有：　　　 如果输入变量是相关的，则会出现问题。 需要知道先验概率，且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...
机器学习算法之贝叶斯算法 2、案例一：鸢尾花数据分类
leva的博客
07-14 4562
import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl from sklearn.preprocessing import StandardScaler, MinMaxScaler, PolynomialFeatures from sklearn.naive_bayes import GaussianNB, MultinomialNB#高斯贝叶斯和多项式朴素贝叶斯 from
贝叶斯练习题
qq_43243022的博客
09-27 1万+
1 请写出贝叶斯公式，请描述朴素贝叶斯分类方法的原理和步骤。 贝叶斯公式 朴素贝叶斯假设： -特征之间相互独立（统计意义上，一个特征出现的可能性与其他特征没有关系，朴素的意义） -各特征同等重要 P(Ci): 先验概率 P(Ci|**x**): 后验概率 素贝叶斯分类方法原理 依据给定的资料，统计各个特征在相应类别下的概率，从而实现分类。 朴素贝叶斯分类步骤 ⑴收集数据：可...
评论
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