文章目录 一、朴素贝叶斯分类的基本原理 （1）几个基本概念 （2）朴素贝叶斯分类 （3）例题 二、最小风险型贝叶斯分类（Minimum Risk Bayes Classification） （1）原理 （2）例题 三、连续数值型属性的类条件概率计算 一、朴素贝叶斯分类的基本原理 （1）几个基本概念 （2）朴素贝叶斯分类 朴素贝叶斯分类模型基于贝叶斯公式，以最大后验概率为分类准则的分类方法，这等价于最小错误率准则。 用数学公式描述如下： 设 X = { x 1 , x 2 , . . . , x m } X=\{x_1,x_2 , ...,x_m\} X={ x1,x2,...,xm}为一个待分类项，其中 x i x_i xi是 X 的第 i 个属性变量取值。已知有类别集合 c = { c j } , j = 1 , 2 , . . . , k c=\{c_j\},j=1,2,...,k c={ cj},j=1,2,
本文深入探讨了朴素贝叶斯分类的基本原理，包括最大后验概率准则、属性独立假设以及如何计算类别条件概率。此外，还介绍了最小风险型贝叶斯分类的原理和连续数值型属性的条件概率计算方法，如属性离散化和利用正态分布进行概率估计。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
7198
