统计机器学习（二）朴素贝叶斯

统计机器学习（二）朴素贝叶斯

文章目录

​​教程笔记概述​​​​本文阅读先决条件​​​​内容总结​​

​​基本公式​​​​离散属性要点​​​​连续属性要点​​

​​Tip​​

教程笔记概述

来源于课程MA429,讲述统计机器学习。是算法工程师的基础。

本文阅读先决条件

阅读并尽可能理解intro naive bayes.pdf这个课件。

内容总结

基本公式

记住朴素贝叶斯公式使用即可，推导可以参考南瓜书和西瓜书。 朴素贝叶斯呢就是说：每个属性都独立地对结果产生影响。

离散属性要点

要预测的数据记录中有缺失的属性：计算时省略该属性的概率，不进行乘积。在训练集计算似然也就是对应类别下某属性的出现概率时出现了0：使用ADD1,给训练集所有属性都加1 。进行各个似然的比较时，先归一化。再最大似然

连续属性要点

有连续属性。则在训练数据时将该属性当作正态分布，计算均值及方差。则在测试时，利用概率密度函数代入该属性值，得到密度。同样要归一化

Tip

朴素贝叶斯不难，关键是找一些例子，仔细计算，走一遍流程。这个PPT就不错。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。