长沙网站设计我选刻,公众号登录超时,九江有哪些做网站的公司,网站开发者所有权归属一、朴素贝叶斯算法
1、什么是朴素贝叶斯分类方法 之前用KNN算法#xff0c;分类完直接有个结果#xff0c;但是朴素贝叶斯分完之后会出现一些概率值#xff0c;比如#xff1a; 这六个类别#xff0c;它都有一定的可能性
再比如#xff0c;对文章进行分类#xff1a;…一、朴素贝叶斯算法
1、什么是朴素贝叶斯分类方法 之前用KNN算法分类完直接有个结果但是朴素贝叶斯分完之后会出现一些概率值比如 这六个类别它都有一定的可能性
再比如对文章进行分类
分类为三个类别对每个样本用朴素贝叶斯分类之后会得到这样的结果会取概率比较大的作为最终的结果
二、概率基础
1、概率probability定义 概率定义为一件事情发生的可能性 比如扔出一个硬币结果头朝上概率是多少
2、取值范围 P(X)取值在[0, 1] 如果取值为0是不可能事件。如果取值为1是必然事件
3、女神是否喜欢计算案例
已知小明是产品经理体重超重是否会被女神喜欢 特征有两个职业和体型。目标值就是是否会被女神喜欢是个二分类问题
4、问题 1女神喜欢的概率 样本有7个女神喜欢有4个 p(喜欢) 4/7
2职业是程序员并且体型匀称的概率 P(程序员, 匀称) 1/7 --联合概率
3在女神喜欢的条件下职业是程序员的概率 P(程序员 | 喜欢) 2/4 --条件概率
4在女神喜欢的条件下职业是程序员体重是超重的概率 P(程序员, 超重 | 喜欢) 1/4 --既符合条件概率也符合联合概率
三、联合概率、条件概率与相互独立
1、联合概率包含多个条件且所有条件同时成立的概率 记作P(A,B) 特性P(A,B) P(A)P(B) 例如P(程序员, 匀称)P(程序员, 超重|喜欢)
2、条件概率就是事件A在另外一个事件B已经发生条件下的发生概率 记作P(A|B) 特性P(A1,A2|B) P(A1|B)P(A2|B) 例如P(程序员|喜欢)P(程序员, 超重|喜欢)
3、相互独立如果P(A,B) P(A)P(B)则称事件A与事件B相互独立 例子 在女神是否喜欢数据当中程序员和匀称是否相互独立 P(程序员, 匀称) 1/7 P(程序员) 3/7 P(匀称) 4/7 所以程序员和匀称不是相互独立的
4、已知小明是产品经理体重超重是否会被女神喜欢 目标是求P(喜欢|产品, 超重) 这时候就要用到贝叶斯公式
四、贝叶斯公式
1、公式
2、解决小明的问题 分子P(产品, 超重|喜欢) * P(喜欢) 分母P(产品, 超重)
什么是朴素加上了假设特征与特征之间是相互独立的 P(产品, 超重) P(产品) * P(超重)
上式中P(产品, 超重|喜欢)和P(产品, 超重)的结果均为0导致无法计算结果。这是因为我们的样本量太少了不具有代表性本来现实生活中肯定是存在职业是产品经理并且体重超重的人的P(产品, 超重)不可能为0而且事件“职业是产品经理”和事件“体重超重”通常被认为是相互独立的事件
而朴素贝叶斯可以帮助我们解决这个问题
朴素贝叶斯简单理解就是假定了特征与特征之间相互独立的贝叶斯公式
也就是说朴素贝叶斯之所以朴素就在于假定了特征与特征相互独立
所以思考题如果按照朴素贝叶斯的思路来解决就可以是 P(产品, 超重) P(产品) * P(超重) 2/7 * 3/7 6/49 P(产品, 超重|喜欢) P(产品|喜欢) * P(超重|喜欢) 1/2 * 1/4 1/8
