机器学习计算题——朴素贝叶斯

原创 已于 2023-12-30 11:23:03 修改 · 1.3k 阅读 · 36 ·
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 #人工智能 #算法

于 2023-12-30 10:51:23 首次发布
博客主要展示了机器学习相关的例题，包含例题1、例题2和例题3，体现了人工智能领域中机器学习的实际应用示例。
该文章已生成可运行项目，

例题1

例题2

例题3

本文章已经生成可运行项目
【机器学习】【期末复习】有关机器学习的计算题可供期末复习参考（带本人手写解答与思考）
网瘾中心呼唤爱的博客
06-26 1万+
本文为学校课程《机器学习》的期末复习材料，主要是关于一些机器学习模型的计算题的解答过程。
机器学习之聚类和K-Means计算题
m0_61908582的博客
01-14 1922
机器学习之聚类和K-Means计算题、轮廓系数。
机器学习作业4——朴素贝叶斯分类器
u013731025的博客
05-12 868
这个函数用于测试集的预测，对于测试集中的每个元组，都要对于所有类别，计算一次该类别下的后验概率，然后选择所有类别中后验概率最大的，作为预测结果，而每个后验概率，通过该元组下的每个特征下的类型对应的条件概率的累乘和该类别的先验概率的乘积来确定。这个训练集数据过小，但是特征和每个特征中的类型又比较多，再加上测试集一共就13条，数据使用不同的随机种子会使得一些测试集中的特征在不同类别下的条件概率没有出现过，因为没有出现过，直接就不处理这个特征了，就容易出现误差。可以看到P(A|X)比较大，所以是A类​。
机器学习算法题1
bes1290的博客
10-29 710
机器学习算法题 题目说明 Elwin觉得自己在大学期间陷入了一个怪圈：不管他在学期初确立了多么严格的工作习惯，他最终 都会陷入到某个固定的工作节奏中。为此，Elwin请你帮他建立马尔科夫链模型，请你帮他分析分 析发生这种情况的原因。为了简化题目难度，我们可以认为Elwin在生活中只会干三件事：玩手 机，工作，学习。 Elwin给你提供了一些他的生活规律： 玩手机后，有90%的概率继续玩手机，7.5%的概率工作，2.5%的概率学习； 工作后，有15%的概率玩手机，80%的概率继续工作，5%的概率学习； 学习后
机器学习——朴素贝叶斯练习题
m0_62060781的博客
05-15 505
你在一家电影评论网站工作，需要开发一个情感分析系统来自动分类用户评论是正面还是负面。使用Kaggle上的"IMDB Dataset of 50K Movie Reviews"数据集。使用鸢尾花数据训练多项式朴素贝叶斯模型，并评估模型。
机器学习面试题——朴素贝叶斯
weixin_46838716的博客
05-03 1305
1）大厂笔试选择题经常考贝叶斯公式和朴素贝叶斯 2）没事尝尝回顾一下这些八股文
【一起入门MachineLearning】中科院机器学习-期末题库-【计算题6】
vector的博客
01-04 2353
这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的???? ???? ???? 加油加油！ 计算题6：最大似然估计法 完全是一个数学问题了，先来复习一下最大似然估计吧。 最重要的是写出某个事件各个样本的概率P，连乘之后令导数为0来求参数。在这个题目中X=抛硬币事件，只说明了一次取值，即只要一个样本，那概率的连乘就是该概率本身了。 ...
机器学习练习题
weixin_74120919的博客
05-08 1714
这些题目都是博主课后完成的作业，有部分没有答案，只能用上博主潦草的书写。
机器学习自学笔记——朴素贝叶斯与极大似然估计
m0_61787307的博客
03-13 920
​朴素贝叶斯算法通俗理解，最大似然估计介绍。我们所处在的这个世界是充满概率的一个世界。甚至可以说，世界上所有事情的发生都是有一定概率的，并不存在绝对发生与绝对不发生。​ 比如，你同桌他高考考得分数比你高，他未来工作薪资比你高只是一个可能性事件，在大部分人的认知里，“他未来工作薪资比你高”这个是个大概率事件；但是在我的认知里，绝不是这么一回事。没准他去了他梦想中的天坑专业出来工作都找不到，而你去了一个就业前景好的专业，那么之前那个结论他就不成立。
机器学习（四）——朴素贝叶斯
doubaijj的博客
11-16 779
引入 前面学习的内容都是要求分类器直接给出分类结果，今天学习的朴素贝叶斯可以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。 以垃圾邮件分类为例，一封邮件通过朴素贝叶斯得到的分类结果可能会是如下结果： 没有一个准确猜测，但是会给每个猜测计算概率，最后会选取概率最大的猜测作为结果。 先验概率：在训练模型之前，通过历史数据得到的初始概率；该概率与待测样本无关，独立于样本。 后验概率：反映了在看到数据样本x后cj成立的置信度，即通过样本获得新的信息（既有先验概率资料，也有补充资料），.
机器学习习题
12-18
机器学习习题的文档，通过An Inreoduction of Statistical learning 中的Linear Regression章节知识进行相应题目的编写
机器学习实战——朴素贝叶斯
weixin_46120403的博客
11-23 2650
一、朴素贝叶斯理论 1.概述 朴素贝叶斯算法是有监督的学习算法，解决的是分类问题。其分类原理就是利用贝叶斯公式根据某特征的先验概率计算出其后验概率，然后选择具有最大后验概率的类作为该特征所属的类。之所以称之为”朴素”，是因为贝叶斯分类只做最原始、最简单的假设：所有的特征之间是统计独立的。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。 2.朴素贝叶斯特点 优点： 对小规模的数据表现很好，能个处理多分类任务，适...
《机器学习》 小白Python学习笔记（十一） ———— 朴素贝叶斯 & 半朴素贝叶斯AODE分类器 Python实现
River_J777的博客
08-05 1542
《机器学习》 小白Python学习笔记（十） ———— 贝叶斯算法 & EM算法 Python实现课后题数据集朴素贝叶斯算法代码半朴素贝叶斯（AODE）分类器代码 课后题 试编程实现拉普拉斯修正的朴素贝叶斯分类器和半朴素贝叶斯分类器中的AODE分类器，并以⻄瓜数据集3.0为训练集，对P.151“测1”样本进⾏判别。 数据集 编号 色泽 根蒂 敲声 纹理 脐部 触感 密度 含糖率 好瓜 0 1 青绿 蜷缩 浊响 清晰 凹陷 硬滑 0.697 0.460
【一起入门MachineLearning】中科院机器学习-期末题库-【计算题13+简答题3,22+单选题58,82+多选题19】
vector的博客
01-05 3871
这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的???? ???? ???? 加油加油！ 目录计算题13简答题3单选题82单选题58多选题19简答题22 知识点可以参考这篇博客：【一起入门MachineLearning】中科院机器学习第*课-聚类算法：K均值（K-means） 计算题13 不想计算距离的话直接画图会更加快。 简答题3 单选题82 这个题目的计算方法和上两个题一样，不再赘述。 单选题58 多选题19 简答题22 22.K均值算法的优缺点是什么，如何对其调优。 缺点：
【一起入门MachineLearning】中科院机器学习-期末题库-【计算题1+多选题25+简答题16】
vector的博客
12-25 4271
这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的，可能有错误啊啊啊！ 这两题都与PCA相关，知识点可以参考博主的这篇文章： 【一起入门MachineLearning】中科院机器学习第*课-PCA主成分分析 题解 计算题1： 个人认为题目描述为：“求协方差矩阵的特征值”更严谨，另外已经告知了协方差矩阵就不需要做第一步和第二步来求转置了。 多选题25 A：必须在使用PCA前规范化数据，这是对的，对应上文中说到的零均值化 B：Variance是方差的意思，反差要尽可能大，让每个数据彼此区分，都能.
【一起入门MachineLearning】中科院机器学习-期末题库-【计算题5+单选题19,20+简答题21】
vector的博客
12-27 4509
这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的???? ???? ???? 加油加油！ 目录计算题5ID3C4.5CART 知识点可以参考博主的这篇文章 【一起入门MachineLearning】中科院机器学习第*课-非线性分类：决策树 计算题5 ID3 C4.5 ![在这里插入图片描述](https://img-blog.csdnimg.cn/cd6ea68a611846ca8ae98fb6265e5dc9.png?#pic_left =500) 红色数值表示和老师提供的标准答
【一起入门MachineLearning】中科院机器学习-期末题库-【计算题2,8+多选题15,16+单选题39,40】
vector的博客
12-25 4961
这系列的题目来源于周晓飞老师期末发的题库，自留做复习用的???? ???? ???? 加油加油！ 这两道题目都与概率图模型有关，知识点可以看这篇博文： 【一起入门MachineLearning】中科院机器学习第*课-概率图模型：贝叶斯网络+马尔科夫随机场 考点：图概率分布 计算题2 第一幅图考察马尔可夫随机场的概率分布： 第二幅图考察贝叶斯模型的概率分布: 这两个题目关键就是要记住公式就不会出错。 计算题8 第一步是写出概率的因子分解式，然后根据表格里面提供的概率数据挨个计算。 答案在写公式时省
机器学习计算题——svm支持向量机
不甘平凡的码农
12-30 4159
引入一点高中的线性规划，我在接下来的题目确实可以用这种思想计算，并且非常快得到答案。
机器学习-深度学习计算题
m0_75015083的博客
06-09 235
朴素贝叶斯计算题
最新发布
05-29
### 朴素贝叶斯算法计算题示例及解答 #### 示例问题 假设有一个数据集，用于判断一封邮件是否为垃圾邮件。数据集中有两个特征：邮件中是否包含“免费”（`X1`）和是否包含“优惠”（`X2`）。目标是预测邮件是否为垃圾邮件（`Y`）。已知以下条件概率： - P(`Y`=垃圾) = 0.7 - P(`Y`=非垃圾) = 0.3 - P(`X1`=是 | `Y`=垃圾) = 0.8 - P(`X1`=否 | `Y`=垃圾) = 0.2 - P(`X1`=是 | `Y`=非垃圾) = 0.1 - P(`X1`=否 | `Y`=非垃圾) = 0.9 - P(`X2`=是 | `Y`=垃圾) = 0.6 - P(`X2`=否 | `Y`=垃圾) = 0.4 - P(`X2`=是 | `Y`=非垃圾) = 0.2 - P(`X2`=否 | `Y`=非垃圾) = 0.8 现在有一封邮件，其中包含“免费”但不包含“优惠”，即 `X1`=是，`X2`=否。请使用朴素贝叶斯算法计算这封邮件是垃圾邮件的概率。 --- #### 解答过程 根据朴素贝叶斯公式[^1]： \[ P(Y|X) = \frac{P(X|Y)P(Y)}{P(X)} \] 其中，`P(X)`可以忽略，因为它是归一化常数。我们只需比较不同类别下的未归一化后验概率即可。 对于 `Y=垃圾`： \[ P(X|Y=\text{垃圾}) = P(X_1=\text{是}|\text{垃圾}) \cdot P(X_2=\text{否}|\text{垃圾}) \] \[ P(X|Y=\text{垃圾}) = 0.8 \cdot 0.4 = 0.32 \] \[ P(Y=\text{垃圾}|X) \propto P(X|Y=\text{垃圾}) \cdot P(Y=\text{垃圾}) \] \[ P(Y=\text{垃圾}|X) \propto 0.32 \cdot 0.7 = 0.224 \] 对于 `Y=非垃圾`： \[ P(X|Y=\text{非垃圾}) = P(X_1=\text{是}|\text{非垃圾}) \cdot P(X_2=\text{否}|\text{非垃圾}) \] \[ P(X|Y=\text{非垃圾}) = 0.1 \cdot 0.8 = 0.08 \] \[ P(Y=\text{非垃圾}|X) \propto P(X|Y=\text{非垃圾}) \cdot P(Y=\text{非垃圾}) \] \[ P(Y=\text{非垃圾}|X) \propto 0.08 \cdot 0.3 = 0.024 \] 计算归一化因子： \[ Z = P(Y=\text{垃圾}|X) + P(Y=\text{非垃圾}|X) = 0.224 + 0.024 = 0.248 \] 最终结果： \[ P(Y=\text{垃圾}|X) = \frac{0.224}{0.248} \approx 0.903 \] \[ P(Y=\text{非垃圾}|X) = \frac{0.024}{0.248} \approx 0.097 \] 因此，这封邮件是垃圾邮件的概率约为 90.3%。 --- #### 注意事项 在实际应用中，如果某些特征值在训练集中从未出现过，则会导致对应的条件概率为 0，从而使得整个后验概率为 0。为了解决这一问题，通常会引入平滑技术，例如拉普拉斯平滑[^3]。 ```python # Python 实现朴素贝叶斯分类器 from collections import defaultdict class NaiveBayes: def __init__(self): self.class_prob = {} self.cond_prob = defaultdict(lambda: defaultdict(float)) def fit(self, X, y): # 计算先验概率 total = len(y) for label in set(y): self.class_prob[label] = sum(1 for yi in y if yi == label) / total # 计算条件概率 for i, xi in enumerate(X): for feature, value in xi.items(): self.cond_prob[feature][(value, y[i])] += 1 # 归一化条件概率 for feature, values in self.cond_prob.items(): for (value, label), count in values.items(): self.cond_prob[feature][(value, label)] /= sum(1 for yi in y if yi == label) def predict(self, X_test): results = [] for xi in X_test: max_prob = -1 best_label = None for label, prior in self.class_prob.items(): prob = prior for feature, value in xi.items(): prob *= self.cond_prob.get(feature, {}).get((value, label), 1e-10) if prob > max_prob: max_prob = prob best_label = label results.append(best_label) return results ``` ---
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