机器学习笔记-朴素贝叶斯+SVM

最新推荐文章于 2025-12-04 22:05:42 发布
原创 最新推荐文章于 2025-12-04 22:05:42 发布 · 563 阅读 · 5 ·
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：

#机器学习 #笔记 #支持向量机

机器学习笔记-朴素贝叶斯

朴素贝叶斯

  • 通过概率分类
    在这里插入图片描述

朴素贝叶斯要用到的概率知识

在这里插入图片描述

  • 贝叶斯公式
    在这里插入图片描述
  • 例子
    在这里插入图片描述

朴素贝叶斯计算的时候可能出现为0的值，这个时候引入拉普拉斯平滑系数

  • 例子
    在这里插入图片描述

朴素贝叶斯API

SVM支持向量机

  • 用超平面，尽可能大的分开两类小球
    在这里插入图片描述

  • 核方法就是从低纬度到高纬度的方法
    在这里插入图片描述

SVM-API

在这里插入图片描述

SVM-核函数的讲解

在这里插入图片描述

  • 例子
    在这里插入图片描述

常见核函数-高斯核RBF

在这里插入图片描述

在这里插入图片描述

常见核函数-支持分类和回归的API

在这里插入图片描述

SVM的代码例子

  • 代码
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
from sklearn.model_selection import train_test_split

#1.获取数据
train =
最低0.47元/天 解锁文章
林大帅6688
关注
机器学习笔记——朴素贝叶斯算法
haopinglianlian的博客
11-17 1381
本笔记介绍机器学习中朴素贝叶斯算法。
用朴素贝叶斯和SVM进行文本分类
HarryWg的博客
03-13 2675
写在前面的感悟： 测试集文件删除一定要shift+delete！！！！！要不然回收站直接爆炸，用几个小时打开，然后再用几个小时清空。文本分类的数据集看似只有几个G那么大，但是架不住文件数量多，导致各种移动复制删除操作及其缓慢（可能也因为我用的是轻薄本性能低下） 不知道为什么C盘一直在不断生成新东西，导致我每天都在几百MB几百MB地删东西，只想做完项目尽早让笔记本解脱。分析了一下，程序关闭之后按理来说操作系统就会把资源释放掉啊，可能是生成的临时文件太多了吧，还是没有成功地发现根源。 强烈建议使用云电脑！！！，
NLP基础实验⑤：朴素贝叶斯和SVM
IOT_victor的博客
05-20 606
一、朴素贝叶斯 from sklearn.naive_bayes import MultinomialNB from sklearn.pipeline import Pipeline from sklearn import metrics from sklearn.feature_extraction.text import CountVectorizer from sklearn.featu...
朴素贝叶斯模型、SVM模型笔记
积跬步，慕至千里的博客
05-10 1434
朴素贝叶斯的主要应用有文本分类、垃圾文本过滤，情感判别，多分类实时预测等。
svm（支持向量机）与nbc（朴素贝叶斯）算法比较
12-08
支持向量机 朴素贝叶斯 matlab代码 含说明文档 有测试数据 可以直接运行
朴素Bayes分类器的应用研究与SVM的比较
毕业作品网站
12-30 769
第一章 绪论，通过介绍贝叶斯分类器的概述，引出本文的研究的方法，对全球现有的分类器算法研究进行介绍，以及简要概括本文的主要构造的分类器内容和想要应用的地方。第四章 分类实验，使用不相同的多组数据对朴素贝叶斯分类器进行分类预测，并计算出分类器准确度，之后使用同组数据对两个不同分类器进行分类预测。第二章 分类与分类器，简单的介绍了分类的概念与分类器器的意义，并介绍了对分类器进行评估的几个方法，以用来计算分类器准确度。3.3 极大似然值估计及后验假设 14。3.3.2 极大似然估计 14。
朴素贝叶斯（演示结果与SVM进行对比）
qq_43602667的博客
10-07 1627
朴素贝叶斯、SVM支持向量机
有监督学习3--朴素贝叶斯和SVM
qiaoqiaomanman的博客
03-17 2158
有监督学习3–朴素贝叶斯和SVM 接着上次的笔记来学习有监督学习，首先来看朴素贝叶斯是什么？ 什么是贝叶斯？ 提到贝叶斯这个名称，学过概率论的一定知道，在概率论与数理统计中有一个定理，就是叫做贝叶斯定理。贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。 贝叶斯分类方法： 假定X为类标号未...
机器学习sklearn-朴素贝叶斯
kongqing23的博客
01-25 2829
目录 概述 sklearn中的朴素贝叶斯 高斯朴素贝叶斯 概述 算法得出的结论，永远不是100%确定的，更多的是判断出了一种“样本的标签更可能是某类的可能 性”，而非一种“确定”。 我们通过某些规定，比如说，在决策树的叶子节点上占比较多的标签，就是叶子节点上所有 样本的标签，来强行让算法为我们返回一个固定结果。但许多时候，我们也希望能够理解算法判断出的可能性本身。 每种算法使用不同的指标来衡量这种可能性。比如说，决策树使用的就是叶子节点上占比较多的标签所占的比例（接口pr.
朴素贝叶斯和SVM
king52113141314的博客
03-02 1056
详解最大似然估计（MLE）、最大后验概率估计（MAP），以及贝叶斯公式的理解_nebulaf91的博客-优快云博客_最大后验估计 如何简单理解贝叶斯决策理论（Bayes Decision Theory）？ - 知乎 参数估计 | Python 与机器学习 ...
机器学习五 朴素贝叶斯与SVM
二货胖纸的博客
07-23 1853
0、散点图（scatter diagram）      通常应用于回归分析。散点图中的包含的数据越多，展示的效果更好。 1、朴素贝叶斯方法（Naive bayes）       这是一种基于贝叶斯定理与特征条件独立假设的分类方法。 from sklearn.naive_bayes import GaussianNB clf = GaussianNB() cl
常见算法（下）-朴素贝叶斯，SVM
hgdempire的博客
10-28 1042
朴素贝叶斯的公式： 先来看几组定义，然后再慢慢进入贝叶斯。 几种概率的定义： 先验概率：堵车发生的概率是多少？早上出门，我不知道有没有交通事故，也不知道车辆多不多，堵车的概率是多少？ 条件概率：P(堵车|交通事故) 在交通事故发生的情况下，堵车的概率是多少？ 后验概率：P(交通事故|堵车) 在堵车发生的情况下，原因是交通事故的概率是多少？ 这几个概念，先和后，其实是指事情发生的先后，这里的事情是指，我们将要进行概率计算的事情。 先，先预测一把，我不知道会不会发生这个事，先预测一个概率。 .
【机器学习--朴素贝叶斯与SVM进行病情分类预测】
爱CV
10-22 3683
     贝叶斯定理由英国数学家托马斯.贝叶斯（Thomas Baves）在1763提出，因此得名贝叶斯定理。贝叶斯定理也称贝叶斯推理，是关于随机事件的条件概率的一则定理。 对于两个事件A和B，事件A发生则B也发生的概率记为P(B|A)，事件B发生则A也发生的概率记为P(A|B),这样如果A发生B也必然发生或者B发生A也必然发生，则有P(B|A)=P(A|B)=1，这种情况是一种确定性推理。 更多...
机器学习（三）——朴素贝叶斯方法、SVM（1）
antkillerfarm的专栏
09-26 6785
机器学习（三）——朴素贝叶斯方法、SVM（1）
【机器学习】23-25 决策树 & 树集成
weixin_54010404的博客
12-02 1193
本文系统性地介绍了决策树模型及其相关算法。首先阐述了决策树的基本结构与学习过程，重点讨论了如何通过最大化信息增益选择最优划分特征，并详细解释了熵作为纯度衡量指标的计算方法。文章涵盖了分类树与回归树的构建逻辑，包括离散特征处理（独热编码）和连续特征阈值选择。 进一步，文章深入探讨了决策树集成方法，重点分析了随机森林算法通过放回抽样和特征随机选择来增强模型鲁棒性的机制。特别介绍了XGBoost算法的核心优势：自适应样本权重调整、内置正则化和高效实现。最后，文章对比了决策树集成与神经网络的应用场景。
0011机器学习特征工程
老欧学视觉的博客
12-03 732
本文系统介绍了机器学习特征工程的关键内容，包括特征工程在机器学习流程中的重要性、数据处理方法和降维技术。主要内容涵盖：1）特征工程的核心作用是通过数据预处理提升模型效果，包括异常值处理、数据平衡、文本向量化等；2）详细讲解了数据清洗、缺失值填充、标准化/归一化、One-Hot编码等基础处理方法；3）重点阐述了文本特征提取技术（词袋法、TF-IDF）和降维方法（特征选择、PCA、LDA）。文章强调特征工程需结合业务场景进行特征衍生和优化，占整个开发流程30%-50%的工作量，是机器学习项目成功的关键环节。
学习笔记二十三：支持向量机-间隔与支持向量
dengdaijc的专栏
12-02 731
本文介绍了支持向量机(SVM)的基本原理。SVM通过在样本空间中寻找最优划分超平面来实现分类，其核心思想是最大化分类间隔以提高泛化能力。关键概念包括：划分超平面的数学表示（由法向量和位移项定义）、支持向量（决定超平面位置的最近样本点）以及间隔（反映分类置信度）。SVM的基本型是一个凸二次规划问题，通过最小化法向量范数平方来最大化间隔，同时满足所有样本正确分类的约束条件。该方法具有理论严谨、模型稀疏、全局最优等优势，是经典的分类学习算法。
机器学习--损失函数
weixin_57225400的博客
12-04 379
损失函数（Loss Function）是机器学习中用于衡量模型预测值与真实值之间差异的函数，是优化算法的核心目标。通过最小化损失函数，模型逐步调整参数以提高预测准确性。通过组合现有函数或设计新公式满足特定需求。加权MSE：为不同样本分配不同权重。正则化损失：加入L1/L2惩罚项防止过拟合。
【机器学习三大范式对比总结】
最新发布
严文文 Chris
12-04 268
当初我学机器学习，一看到这些复杂的表格和术语就头疼。直到有一天，我意识到，这三种学习范式其实就像我们人类不同的学习方式，我才恍然大悟。现在，我希望以这段心路历程，带你用全新的视角理解它们。想象你被丢进一个完全陌生的市场，没有任何商品标签。你正在用什么范式面对你的知识、你的工作、你的人生困境呢？这个问题的答案，或许比任何算法选择都更有价值。所以，理解这三大范式，不仅仅是记住一张表格。它是在理解机器如何“学习”的同时，反过来。），你通过反复练习，学会从题目推导答案的。），自我完善，实现“举一反三”。
斯坦福机器学习笔记：深入理解SVM、贝叶斯与聚类算法
根据提供的文件信息，我们可以得知文件集合涉及到机器学习领域的一些核心知识点，特别与斯坦福大学机器学习课程相关。以下对每个文件名称中所包含的知识点进行详细说明： 1. 支持向量机SVM（上）.pdf 和 支持向量机...
评论
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