机器学习基础算法（三）----- 朴素贝叶斯算法、模型调优与选择

最新推荐文章于 2025-04-16 00:41:44 发布

mangogogo321

最新推荐文章于 2025-04-16 00:41:44 发布

阅读量1.2k

点赞数

分类专栏：笔记文章标签：机器学习 python 人工智能深度学习

本文链接：https://blog.youkuaiyun.com/mangogogo321/article/details/112343677

版权

本文介绍了概率基础，包括联合概率、条件概率和贝叶斯公式。详细讲解了朴素贝叶斯算法，使用sklearn库实现，并通过拉普拉斯平滑处理零概率问题。同时，阐述了朴素贝叶斯分类的优缺点。接着，讨论了分类模型的评估，如混淆矩阵、精确率和召回率，并介绍了评估API。最后，探讨了模型选择与调优的方法，包括交叉验证和网格搜索。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

一. 概率基础

概率定义为一件事情发生的可能性

1. 联合概率和条件概率

在这里插入图片描述

2. 朴素贝叶斯-贝叶斯公式

在这里插入图片描述

3. 拉普拉斯平滑

如果得到的概率为零，可用拉普拉斯平滑系数解决
在这里插入图片描述

二. 朴素贝叶斯算法案例

1. sklearn朴素贝叶斯实现API

sklearn.baive_bayes.MultinomialNB(alpha)
alpha: 拉普拉斯平滑系数

2. 朴素贝叶斯案例流程

加载20类新闻数据，并进行分割
生成文章特征词
朴素贝叶斯estimator流程进行预估

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

def naviebayes():
    '''朴素贝叶斯进行文本分类'''
    news = fetch_20newsgroups(subset='all')

    ##进行数据分割