机器学习实战学习笔记8——朴素贝叶斯
2016-12-28 20:41
337 查看
1.朴素贝叶斯概述
1.1朴素贝叶斯介绍
朴素贝叶斯(Naïve Bayesian)是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器基于一个简单的假设:给定目标值之间属性相互独立。1.2 朴素贝叶斯工作原理
假设有一个数据集,由两类组成,对于每个样本的分类,都是已知的。现在有一个新的点new_point(x,y) ,其分类未知。我们可以用p1(x,y)来表示数据点(x,y)属于类别1的概率;用p2(x,y)来表示数据点属于类别2的概率。在对新数据点归类时,可以用下面的规则来判断它所属的类别:(1)如果p1(x,y) > p2(x,y),那么新数据点的类别为1;
(2)如果p2(x,y) > p1(x,y),那么新数据点的类别为2。
1.3 朴素贝叶斯优缺点
(1)优点:在数据较少的情况下仍然有效,可以处理多类别问题。(2)缺点:对输入数据的准备方式较为敏感。
(3)应用范围:真假账号分类、新闻分类、广告过滤器。
2.使用朴素贝叶斯进行文档分类
相关文章推荐
- 机器学习实战(4)朴素贝叶斯学习笔记_20170707
- 机器学习实战笔记(3.1)-朴素贝叶斯算法(原理分析)
- 机器学习实战笔记4(朴素贝叶斯)
- 机器学习实战笔记4(朴素贝叶斯)
- 机器学习实战笔记——KNN算法
- 机器学习实战-学习笔记-第十四章
- 机器学习实战python版第四章基于概率论的分类方法 朴素贝叶斯
- 机器学习实战笔记 k-近邻算法
- 机器学习实战学习笔记2——决策树算法
- 机器学习实战笔记之非均衡分类问题
- 机器学习实战学习笔记 一 k-近邻算法
- 机器学习实战笔记(四):Logist线性回归算法的Python实现
- 机器学习实战-学习笔记-第十三章
- 机器学习实战笔记3(决策树与随机森林)
- 机器学习实战笔记9(Apriori算法)
- 机器学习实战笔记(Python实现)-01-机器学习实战
- 机器学习实战笔记之一(调试NumPy)
- 机器学习实战笔记之三(决策树)
- 机器学习实战笔记(二):K邻近算法
- 机器学习实战笔记:KNN