统计学习方法超详细学习笔记-第四章 朴素贝叶斯

本文主要介绍了朴素贝叶斯分类器的基本原理与应用。详细解释了条件独立假设下的分类过程,探讨了后验概率最大化原则,并给出了参数估计的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

第四章 朴素贝叶斯

4.1 朴素贝叶斯法的学习与分类

4.1.1 基本方法

在这里插入图片描述
在这里插入图片描述

朴素贝叶斯法实际上学习到生成数据的机制,所以属于生成模型。 条件独立假设等于是说用于分类的特征在类确定的条件下都是条件独立的。这一假设使朴素贝叶斯法变得简单,但有时会牺牲一定的分类准确率。

4.1.2 后验概率最大化的含义

在这里插入图片描述

4.2 朴素贝叶斯法的参数估计

在这里插入图片描述

4.2.2 学习与分类算法

在这里插入图片描述

在这里插入图片描述

4.2.3贝叶斯估计

在这里插入图片描述

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