机器学习笔记-朴素贝叶斯+SVM

最新推荐文章于 2025-07-28 15:35:52 发布
最新推荐文章于 2025-07-28 15:35:52 发布
阅读量534 收藏 5
点赞数 8
CC 4.0 BY-SA版权
文章标签： 机器学习 笔记 支持向量机
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。
本文链接：https://blog.youkuaiyun.com/weixin_41732253/article/details/127101612

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

200万优质内容无限畅学
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 1233
本笔记介绍机器学习中朴素贝叶斯算法。
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
NLP基础实验⑤：朴素贝叶斯和SVM
IOT_victor的博客
05-20 589
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 1383
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。
朴素Bayes分类器的应用研究与SVM的比较
毕业作品网站
12-30 680
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 1549
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 2117
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 2791
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.
用朴素贝叶斯和SVM进行文本分类
HarryWg的博客
03-13 2627
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！！！，
【机器学习--朴素贝叶斯与SVM进行病情分类预测】
爱CV
10-22 3559
     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...
机器学习五 朴素贝叶斯与SVM
二货胖纸的博客
07-23 1825
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 1006
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。 .
朴素贝叶斯和SVM
king52113141314的博客
03-02 1015
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（三）——朴素贝叶斯方法、SVM（1）
antkillerfarm的专栏
09-26 6758
机器学习（三）——朴素贝叶斯方法、SVM（1）
[2025CVPR-图象合成、生成方向]ODA-GAN：由弱监督学习辅助的正交解耦比对GAN 虚拟免疫组织化学染色
hasakie的博客
07-26 74
摘要：论文提出ODA-GAN框架，通过正交特征解耦和弱监督学习解决虚拟免疫组化染色中的关键问题。该方法包含三个核心组件：(1)基于UNI基础模型和Grad-CAM的弱监督分割管道，可在无专家标注下生成语义分割掩码（AUC达0.933）；(2)双流对比学习策略（DPNCE），通过样本重划分解决病理一致性问题；(3)多层域对齐模块（MDA）提升染色真实性。在三个基准数据集上的实验表明，ODA-GAN在KID、FID等指标上均优于现有方法，视觉评估也证实其生成结果具有更高的真实性和病理准确性。该框架为虚拟染色提供
无源域自适应综合研究【2】
weixin_52201996的博客
07-24 1069
这篇论文为SFUDA领域提供了全面且系统的综述，不仅有助于研究人员快速了解该领域的研究现状和应用情况，还为未来的研究指明了方向。其分类方法和对未来方向的探讨具有重要的参考价值，可推动SFUDA在更多实际场景中的应用和发展。原文题目：Source-Free Unsupervised Domain Adaptation: Current research and future directions请大家自行搜索阅读原论文。
机器学习基础-k 近邻算法（从辨别水果开始）
数据爬坡ing的博客
07-24 1045
摘要：本文通过超市水果分类的生活场景，生动讲解k近邻(kNN)算法原理。当遇到未知水果时，人们会通过颜色、大小等特征与记忆中最相似的已知水果对比来判断类别，这正与kNN算法"寻找最近邻居投票表决"的核心思想一致。文章详细展示了如何将生活观察转化为数值特征，并逐步实现距离计算、邻居选取和多数表决的完整kNN算法流程。通过手写代码和scikit-learn库两种实现方式，帮助读者理解k值选择、特征标准化等关键概念，最终构建出一个简单实用的水果分类器。全文以橘子/苹果分类为例，将抽象算法具象化
【机器学习】第八章 模型评估及改进
最新发布
笔触狂放的博客
07-28 395
本文系统探讨了机器学习模型评估与改进的核心方法。首先介绍了交叉验证技术，包括K折交叉验证、分层K折交叉验证、留一交叉验证等，对比分析了不同方法的适用场景和优缺点。其次详细讲解了网格搜索原理，通过参数组合优化提升模型性能，并强调结合交叉验证防止过拟合的重要性。然后全面阐述了分类和回归问题的评估指标体系：对于分类问题，重点解析了精度、准确率、召回率、F值等核心指标，以及PR曲线、ROC曲线等可视化评估工具；对于回归问题，则介绍了R方系数、均方误差等关键指标。最后指出模型评估需要综合多种指标，不仅要关注数值表现，
「日拱一码」038 机器学习-数据量大小的影响
weixin_44396644的博客
07-25 378
机器学习-数据量大小的影响
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