本文介绍朴素贝叶斯分类器的工作原理及其优势，强调该算法适用于特征独立的情况，并探讨其在处理高维小样本数据集时的有效性和灵活性。此外，还讨论了算法的应用场景，如垃圾邮件分类、情感分析等。
概率->阈值->分类
要求：每个类别，X的分量都是相互独立的。
有点：优秀、稳健
数据预处理：特征选择过程和主成分分析方法降维后，更合乎假设，一般结果还是不错的。
使用条件：离散变量模型，算法理解容易；可以避免过度拟合可以胜任缺失数据的分类任务。样本小，维度高。
缺点：稀疏敏感-—拉普拉斯平滑。
应用：垃圾邮件分类、银行违约分类、情感分析、精准营销
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
