朴素贝叶斯方法和支持向量机

朴素贝叶斯方法
http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html

支持向量机:
其实就是在坐标系内,可以有多条线(超平面)将两种不同的已知样本分开。然后找到两类样本的最靠中间的线(最大超平面)作为基准线。当新的未知样本进来的时候,就可以根据这个最大超平面来判断属于哪一类了,超平面也可以有多个,多个的时候就成了线性规划。

支持向量机名字起的也很有特点:支持就是通过这个超平面向量,看它支持新的样本点属于哪个分类,就把该新样本点划到那个分类。

朴素贝叶斯支持向量机是两种不同的机器学习算法,用于分类任务。它们在方法原理上有一些区别。 朴素贝叶斯算法是一种生成模型,它基于贝叶斯定理来进行分类。它假设特征之间是相互独立的,即使这个假设在实际情况中可能不成立,但朴素贝叶斯仍然表现出良好的分类性能。朴素贝叶斯算法通过计算给定类别的条件概率来预测一个样本属于某个类别的概率。它使用训练数据中的特征类别信息来构建一个概率模型,然后使用这个模型来对新样本进行分类。 支持向量机是一种判别模型,它通过寻找数据空间的最大边界来进行分类。支持向量机的目标是找到一个超平面,将不同类别的样本分开,并且使得离超平面最近的样本点到超平面的距离最大化。支持向量机可以使用不同的核函数来处理非线性分类问题,通过将数据映射到高维空间来实现非线性分类。 相比之下,朴素贝叶斯算法在处理大规模数据集时具有较高的效率,并且对于高维数据文本分类任务表现良好。而支持向量机在处理小规模数据集复杂的非线性分类问题时表现较好。此外,朴素贝叶斯算法对于缺失数据的处理较为简单,而支持向量机对于缺失数据的处理相对复杂。 总结来说,朴素贝叶斯算法支持向量机方法原理上有所不同,适用于不同的分类任务数据集。选择哪种方法取决于具体的问题数据特征。
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