朴素贝叶斯分类

最新推荐文章于 2025-08-06 15:39:06 发布

原创最新推荐文章于 2025-08-06 15:39:06 发布 · 319 阅读

·

0

·

本内容遵循CC 4.0 BY-SA版权协议

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。

机器学习专栏收录该内容

4 篇文章

订阅专栏

本文深入探讨了贝叶斯分类器的工作原理，详细解析了贝叶斯公式的应用及变形，介绍了如何通过比较条件概率确定分类归属，避免了精度损失的对数转换技巧。

贝叶斯公式： $P(A \cap B) = P(A)P(B \mid A) = P(B)P(A \mid B)$

如上公式也可变形为： $P(B|A) = {\frac{P(A|B)*P(B) }{P(A)}}$

对于给出的待分类项，求解此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类属于哪个类别。

分类公式： $P(C_{i} \mid w) = \frac{P(w \mid C_{i})*P(C_{i})}{P(w)}$

$C_{i} (0 \le i \le n)$ : 为分类类别

$W_{j} (0 \le j \le m)$ : 为特征量

所以 $P(w \mid C_{i}) = \prod_{j = 0}^{m} P(w_{j} \mid C_{i})$

由于我们通常情况下是根据 $P(C_{i} \mid w)$ 的大小来决定 w 属于哪个类别，所以不需要求出P(w), 我们只用关心

$P(w \mid C_{i})*P(C_{i})$ 的大小。

为了使避免精度的损失，可以给其取个对数， $log^{P(w \mid C_{i})} = \sum_{j = 0}^{m} log^{P(w_{j} \mid C_{i})}$

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。