机器学习之朴素贝叶斯模型及代码示例 |
您所在的位置:网站首页 › 朴素贝叶斯代码实现根据身高体重鞋码判断性别 › 机器学习之朴素贝叶斯模型及代码示例 |
一、朴素贝叶斯的推导
朴素贝叶斯学习(naive Bayes)是一种有监督的学习,训练时不仅要提供训练样本的特征向量X,而且还需提供训练样本的实际标记Y,是一种基于贝叶斯定理和特征条件独立假设的分类方法。 1. 贝叶斯定理:贝叶斯定理: 对于分类问题,其中 而右边中的 由 1 可知,特征向量 X 的维度不一定是一维的,可能是多维的: 因此 样本类别Y 的取值 又因为 朴素贝叶斯 对条件概率分布进行了条件独立性的假设,即同一类别中,样本的每一维度的特征都是 独立的 。朴素贝叶斯之所以“朴素”正因为这一假设。因此可有: 于是可得: 又由 全概率分布公式 可得: 因此我们想要得到的 样本类别y 为: 即 将概率最高的那个标记 又因对于 每一个类别标记 来说:
因此 概率最高的样本类别y 可简化表示为:
因此 在不同的朴素贝叶斯模型中, 在高斯朴素贝叶斯模型中,特征向量 X 的特征 通常为 连续型变量,并且假定所有特征的取值是符合高斯分布的,即:
其中 参数 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |