CategoricalNB 1 CategoricalNB原理以及用法2 数据集2.1 西瓜数据集2.2 LabelEncoder2.3 OrdinalEncoder 3 代码实现 1 CategoricalNB原理以及用法 (1)具体原理 具体原理可看:贝叶斯分类器原理 sklearn之CategoricalNB对条件概率的原理如下: P ( x i = k ∣ y ) =
自我学习记录一下、mark 在所有的机器学习分类算法中,朴素贝叶斯和其他绝大多数的分类算法都不同。对于大多数的分类算法,比如决策树,KNN, 逻辑回归,支持向量机等,他们都是判别方法,也就是直接学习出特征输出 Y 和特征 X 之间的关系,要么是决策函数 $Y=f (X)$, 要么是条件分布 $P (Y|X)$。但是朴素贝叶斯却是生成方法,也就是直接找出特征输出 Y 和特征 X 的联合分布 $P
朴素贝叶斯是基于贝叶斯定理的一种简单且高效的分类方法,特别适用于文本分类和情感分析等任务。 1. 贝叶斯定理简介 贝叶斯定理描述了后验概率(即在已知某些证据后某事件发生的概率)如何通过先验概率(即事件在未观测到任何证据前的概率)和似然(即在事件发生时观测到某些证据的概率)来计算。其公式如下: P ( A ∣ B ) = P ( B ∣ A ) ⋅ P ( A ) P ( B ) P(A|B