sklearn-分类算法-朴素贝叶斯

最新推荐文章于 2025-06-09 00:57:43 发布

原创

最新推荐文章于 2025-06-09 00:57:43 发布 · 置顶 · 1.1k 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。

文章标签：

#朴素贝叶斯 #机器学习

本文介绍了朴素贝叶斯分类算法在文本分类，如垃圾邮件识别中的应用。核心思想是计算预测样本属于各类别的概率，并选择概率最大的类别作为预测结果。在 sklearn 中，朴素贝叶斯算法可以通过拉普拉斯平滑系数调整概率估计，通常α取1。通过比较类别的概率分母，可以简化计算。最后提到了使用sklearn库进行预测的API。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

朴素贝叶斯：

适用于文本分类，垃圾邮件识别等

思想：计算出预测样本属于，每一种类别分别的概率，然后取概率最大的类别作为预测类别

在这里插入图片描述

在这里插入图片描述

朴素贝叶斯公式
在这里插入图片描述
C：代表类别class，例如科技类
W：预测文档提取出的关键词 w1```````wn

P(属于科技概率|预测文档的特征值)

=[ p(出现预测文档多个特征值的概率|科技类文档条件下)p(科技类文章占全部文档的概率) ] / p(预测文档出现这些特征值的概率)

=【p(出现预测文档特征值词语1的概率|科技类文档的条件下) p(出现预测文档特征值词语2的概率|科技类文档的条件下)*……… p(特征值词语n的概率|科技类文档的条件下)】*p(科技类文章占全部文档的概率) / p(预测文档出现这些特征值的概率)

朴素贝叶斯求每个类别的概率的时候，分母都是相同的（该文章出现这些关键词的概率）只需要比较分母即可。

alpha 拉普拉斯平滑系数

最低0.47元/天解锁文章

200万优质内容无限畅学

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

成就一亿技术人!

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。