朴素贝叶斯(NB)分类算法

2024-03-27 16:30

本文主要是介绍朴素贝叶斯(NB)分类算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1.分类任务描述

分类任务是机器学习中最常见的任务。给定一个对象X,将X划分到预定好的某一类别y中。其中Y代表所有类别的一个有限集合,如新闻类别:{军事新闻,科技新闻,生活新闻}。y代表分类集合中的某一类别,如军事新闻。X代表待分类的对象,x代表该对象的特征,如X代表一篇待分类的文章则x就代表该文章中的单词。目标:输入X,输出y

2.贝叶斯定理

推导过程:

          已知条件概率公式为:    P(X|Y) = P(X,Y)/P(Y)  在Y发生的情况下,X发生的概率

           P(X|Y) = P(X,Y)/P(Y)     ===》    P(X,Y)=P(X|Y)*P(Y)

           P(X,Y)=P(Y,X)=P(Y|X)*P(X)

           所以:P(X|Y)=P(Y|X)*P(X)/P(Y)

我们的目的是在已知对象X情况下,求X对象所属类别Yi的概率,所以最后的公式为:

           P(Yi|X)=P(X|Yi)*P(Yi)/P(X)

概念理解:

       P(X):对象X自身的概率,是一个固定值,可以忽略。可以这么理解:给定一篇文章,这篇文章已经存在所以概率为1。

       P(Yi | X):给定对象X,求对象X所属类别的概率

       P(Yi):先验概率(重要)例:给定100篇文章,其中有50篇属于军事文章,30篇属于体育文章,20篇属于科技文章。那么军事文章的先验概率为P(军事) = 50/100,体育文章的先验概率为P(体育) = 30/100,科技文章的先验概率为P(科技) = 20/100。

      P(X | Yi):某一类别产生该对象的概率。我们先看一个简单的例子P(Xi | X),前面说到X是一个对象,还是举文章的例子即X是是一篇文章,Xi是这篇文章的特征即文章中的关键词,那么这个概率就可以理解为一片文章中出现某一个关键词的概率,这样我们就可以进一步深入一个概率为P(Xi | Yi)即某一类文章中出现某一个关键词的概率。例:共有军事类文章50篇,其中飞机这个单词出现了20次,那么P(Xi | Yi) = 20/50篇文章的总词数。

3.朴素贝叶斯            

    前提条件:独立同分布

     在有独立同分布的前提条件下有:  P(X | Yi) =     P(X1 | Yi) * P(X2 | Yi) * P(X3 | Yi) ......... * P(Xn | Yi)                                                        所以由此推出朴素贝叶斯公式为:

             

 

      由上图可知,因为P(X)是一个固定值可以忽略,所以想要预测分类,我们只需要知道两个参数,其实这两个参数就是我们的模型。

          1.P(Yi):先验概率

          2.P(Xi | Yi):条件概率

     最大似然估计法求条件概率:      

           P(Xi | Yi) = Count(Xi,Yi)/ Count(Yi)

           例:给定1000篇文章,共有500篇军事文章,300篇科技文章,200篇体育文章。军事文章中飞机出现了200篇,导弹出现了80篇,则:

              先验概率:P(军事)=500/1000=0.5

              条件概率:P(飞机 | 军事) = 200/500 = 0.4  ,P(导弹 | 军事) = 80 / 500 = 0.16                                          

这篇关于朴素贝叶斯(NB)分类算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/852736

相关文章

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

C#使用DeepSeek API实现自然语言处理,文本分类和情感分析

《C#使用DeepSeekAPI实现自然语言处理,文本分类和情感分析》在C#中使用DeepSeekAPI可以实现多种功能,例如自然语言处理、文本分类、情感分析等,本文主要为大家介绍了具体实现步骤,... 目录准备工作文本生成文本分类问答系统代码生成翻译功能文本摘要文本校对图像描述生成总结在C#中使用Deep

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第