《统计学习方法，李航》：4、朴素贝叶斯法

朴素贝叶斯模型详解
最新推荐文章于 2025-06-04 22:20:56 发布
原创 最新推荐文章于 2025-06-04 22:20:56 发布 · 1.3k 阅读 · 0 ·
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。

本文介绍了朴素贝叶斯模型的基本概念，包括其作为分类模型的应用，并解释了后验概率最大化与期望风险最小化的关系。此外，还详细讨论了如何进行参数估计，包括计算条件概率所需的步骤，并提到了拉普拉斯平滑方法。

1）朴叶素贝斯模型

2）朴素贝叶斯法的参数估计

3）其他



1）朴叶素贝斯模型

首先明白朴叶素贝斯模型是分类模型。


后验概率最大化的实质是期望风险最小化。

2）朴素贝叶斯法的参数估计

要计算P(Y=ck|X=x)，就要计算P(Y=ck)和P(X(j)=x(j)|Y=ck)：

3）其他

例子参考：http://blog.youkuaiyun.com/qll125596718/article/details/8445217

贝叶斯估计：使用了拉普拉斯平滑（Laplace smoothing）方法的朴素贝叶斯法。



李航《统计学习方法》第4&9章 朴素贝叶斯分类器&EM算法
icecutie的博客
06-09 3399
朴素贝叶斯
统计学习方法(李航) 朴素贝叶斯 附python及sklearn实现
m0_49337600的博客
08-11 412
朴素贝叶斯 有监督学习 分类问题 首先让我们回忆一下概率中的基本公式： 条件概率： P(A∣B)=P(A,B)P(B) P(A|B)=\frac{P(A,B)}{P(B)} P(A∣B)=P(B)P(A,B)​ P(B∣A)=P(B,A)P(A) P(B|A)=\frac{P(B,A)}{P(A)} P(B∣A)=P(A)P(B,A)​ 乘法公式： P(A,B)=P(B,A)=P(A∣B)P(B)=P(B∣A)P(A) P(A,B)=P(B,A)=P(A|B)P(B)=P(B|A)P(A) P(A,B)
李航《统计学习方法》读书笔记（1）：朴素贝叶斯分类
JOE_FANNIE的专栏
01-24 1141
朴素贝叶斯分类方法的介绍
python版naive bayes代码
11-09
一个朴素贝叶斯的python代码，几十行，简单易懂。
李航《统计学习方法》——第四章 朴素贝叶斯法
fuqiuai的博客
03-10 2901
由于网上资料很多，这里就不再对算法原理进行推导，仅给出博主用Python实现的代码，供大家参考 适用问题：多类分类 基于贝叶斯定理和特征条件独立假设 常用的三个模型有： - 高斯模型：处理特征是连续型变量的情况 - 多项式模型：最常见，要求特征是离散数据 - 伯努利模型：要求特征是离散的，且为布尔类型，即true和false，或者1和0 测试数据集：train.csv 实现代码（基...
《统计学习方法》笔记——朴素贝叶斯算法
zhongxiayimeng的博客
06-05 1135
朴素贝叶斯算法概述朴素贝叶斯（naive Bayes）法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对于给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。算法流程1.朴素贝叶斯法是典型的生成学习方法，生成方法由训练数据学习联合概率分布P(X,Y),然后求得后验概率分布P(Y|X)。即，利用训练数据学习P
统计学习方法.李航 (1).pdf
04-04
李航教授所著的《统计学习方法》是机器学习领域中一本极具价值的教材，旨在向读者介绍统计学习的基本概念、核心算法以及理论推导，帮助读者深入理解并掌握统计学习的内在机理。 书中详细阐述了多种经典的统计学习...
李航 统计学习方法 第四章 朴素贝叶斯
manong_dashen的博客
05-17 409
李航 统计学习方法 第四章 朴素贝叶斯 基于贝叶斯定理和特征条件独立假设的分类方法.对于给定的训练数据集, 首先基于特征条件独立假设学习输入/输出的联合分布; 然后基于此模型, 对给定的输入x, 利用贝叶斯定理求出后验概率最大的输出y. 介绍朴素贝叶斯法, 包括朴素贝叶斯的学习和分类, 朴素贝叶斯法的参数估计算法. 基本方法 输入空间是n维向量的集合, 输出空间为类标记集合Y=c1,c2,...,cK\mathcal{Y}={c_1, c_2,..., c_K}Y=c1​,c2​,...,cK​, 输入为特
【统计学习方法】4.朴素贝叶斯法
最新发布
Called_North的博客
06-04 833
本文章讨论分类问题中的朴素贝叶斯法，属于监督学习范畴。方法目标：根据训练数据集获取一个分类模型，使得给定输入向量，模型能够输出该向量所属类别
统计学习方法——第4章 朴素贝叶斯法（个人笔记）
pk296256948的博客
04-06 790
统计学习方法——第4章 朴素贝叶斯法（个人笔记） 参考《统计学习方法》（第二版）李航 朴素贝叶斯法：基于贝叶斯定理与特征条件独立假设的分类方法。 4.1 朴素贝叶斯法的学习与分类 4.1.1 基本方法 训练数据集 先学习先验概率分布及条件概率分布 先验概率分布 条件概率分布 这样学习到联合概率分布 朴素贝叶斯法的条件概率分布假设条件相互独立的即条件独立性 朴素贝叶斯法分类时，对给定的输入x，通过学习到的模型计算后验概率分布，将后验概率最大的类作为x的类输出。 后验
bayes代码.rar bayes代码实现 Python
01-06
进一步理解和掌握贝叶斯算法的基本原理； 能够使用贝叶斯算法对数据进行分类； 理解掌握最小错误率贝叶斯分类器
NaiveBayes
08-08
该资源为机器学习实战第四章朴素贝叶斯的相关代码和数据集，望对大家有用
李航统计学习方法-朴素贝叶斯法
l_xyy的博客
07-07 1022
今天看李航统计学习第四章–朴素贝叶斯，发现好多概率统计的概念都记不得了，于是只能找度娘，在找度娘的过程中，发现了一个很不错的博客： http://www.cnblogs.com/pinard/p/6069267.html 讲解的朴素贝叶斯算法通俗易懂。 如果不同全概率公式，可以百度一下，一看就懂。原本还比较懵懂的，看了这个瞬间懂了很多。配合李航书中的题目，对朴素贝叶斯能有更好的了解： （
李航《统计学习方法》第二版-第四章 朴素贝叶斯
so_kind的博客
11-07 259
本来分为很多维度，互相有联系，利用贝叶斯变为相乘的形式，只需考虑当前维度和Y的关系，直接用频率就可数出。 朴素：意味着做出了条件独立性的假设，但条件不可能都是独立的 分母为分类讨论，分类讨论在求和 要输出哪一种类别输出条件概率最大，为生成模式 判别模型根据两者之间的差别，不需每个分别建立模型 ...
机器学习(李航统计学方法)之朴素贝叶斯
qq_33948796的博客
02-22 858
#机器学习-机器视觉 学习心得 本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdown文件 丰富的快捷键 快捷键 加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl...
李航《统计学习方法》第4章——朴素贝叶斯法
m0_61165991的博客
07-06 462
输入空间为 nnn 向量：X⊆Rn\mathcal{X} \subseteq \mathbb{R}^nX⊆Rn输出空间为类标记：Y={c1,c2,...,cK}\mathcal{Y} = \{ c_1,c_2,...,c_K\}Y={c1​,c2​,...,cK​}训练数据集： T={(x1,y1),(x2,y2),...,(xN,yN)}T = \{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}T={(x1​,y1​),(x2​,y2​),...,(xN​,yN​)} ，由联合分布
统计学习方法-李航 第四章 朴素贝叶斯法
小小码农
08-12 505
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。训练的时候，学习输入输出的联合概率分布；分类的时候，利用贝叶斯定理计算后验概率最大的输出。 朴素贝叶斯法的学习与分类 而条件概率分布条件概率分布 参数数量是指数级的，也就是X和Y的组合很多，假设xj可能取值Sj个，Y可能取值有K个，那么参数的个数是参数个数 特别地，取xj=S，那么参数个数为KSn，当维数n很大的时候，就会发生维数灾难...
李航_统计学习（4）朴素贝叶斯法
m0_37548423的博客
04-15 284
介绍 朴素贝叶斯法（naive Bayes）是基于贝叶斯定理和特征条件独立假设的分类方法。 特征条件独立是一个假设，“朴素”也由此而来。 对于给定的训练数据集，首先基于特征条件独立假设学习输入X和输出Y的联合概率分布P(X,Y)；然后基于此模型，对给定的x利用贝叶斯定理求出后验概率最大的输出y。 书中说此方法实现简单，学习与预测的效率很高，是一种常用的方法。 朴素贝叶斯法的学习与分类 ...
【李航】统计学习方法--4. 朴素贝叶斯法（详细推导）
顾道长生的科研笔记
07-21 991
朴素贝叶斯法的学习与分类 贝叶斯定理 贝叶斯思维 条件概率 ​P(X=x∣Y=y)=P(X=x,Y=y)P(Y=y)P(X=x \mid Y=y)=\frac{P(X=x, Y=y)}{P(Y=y)}P(X=x∣Y=y)=P(Y=y)P(X=x,Y=y)​ 贝叶斯定理 已知： 存在 KKK 类 c1,c2,⋯ ,cKc_{1}, c_{2}, \cdots, c_{K}c1​,c2​,⋯,cK​ , 给定一个新的实例 x=(x(1),x(2),⋯ ,x(n))x=\left(x^.
李航《统计学习方法》：深入解析分类算法
《统计学习方法》中对朴素贝叶斯法的介绍不仅包含其理论基础，还包括了如何处理连续型特征、缺失值和类别不平衡等问题。此外，还对贝叶斯决策理论进行了讨论，使得读者对贝叶斯分类器有更全面的认识。 ### 知识点四...
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
 
红包 添加红包
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