本文深入探讨了朴素贝叶斯算法的核心概念，包括其极大后验假设原理及计算过程。阐述了算法的优点，如适用于大规模数据集、多分类任务及增量式训练，并讨论了独立性假设对算法性能的影响。同时，介绍了处理特征间相关性问题的方法，如m-估计和贝叶斯结合。最后，强调了算法在实际应用中的局限性和改进方向。
朴素贝叶斯算法是寻找一个极大后验假设（MAP），即候选假设的最大后验概率。
如下：
在朴素贝叶斯分类器中，假设样本特征之间是独立的，则有：
计算每个假设的后验概率，选出最大的概率，对应的类别就是样本的分类结果。
优缺点：
对小规模的数据表现很好，适合多分类任务，适合增量式训练。当时，需要样本的特征之间独立性较高，不能有太多的相关性。对输入数据的表达形式很敏感。
还有，当样本中某个特征在该类别中出现次数为0，即P(ai |vj)=0, 导致上式的分子全部为0. 这个时候需要使用m-估计和贝叶斯结合，如下：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
