? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? Python樸素貝葉斯

1 聲明

本文的數據來自網絡，部分代碼也有所參照，這里做了注釋和延伸，旨在技術交流，如有冒犯之處請聯系博主及時處理。

2 貝葉斯簡介

相關概念見下：

條件概率P（B|A） = P(AB)/P(A)

即B在A發生的時的概率等于A、B同時發生的概率除以A發生的概率

全概率

P（A）=P（A|B1）P(B1)+ P（A|B2）P(B2)+…… P（A|Bn）Bn

這里B1,B2……Bn是對A的n中劃分，P(Bi)>0,0<i<n+1,i是正整數。

貝葉斯

其中P(H)是假設H成立的概率，又稱為先驗概率,P(E)是證據的可能性(這里與假設無關),

P(E|H)是假設成立對應證據的可能性，P(H|E)是假設存在時證據的概率，是一種推斷。

樸素貝葉斯分類

樸素貝葉斯是一種利用貝葉斯定理的分類器。它預測每個類的成員概率，例如給定記錄或數據點屬于特定類的概率。概率最大的類被認為是最可能的類。這也稱為Maximum A Posteriori（MAP）最大后驗概率。

MAP(H)
= max( P(H|E) )
= ?max( (P(E|H)*P(H))/P(E))
= max(P(E|H)*P(H))

貝葉斯分類的注意點：

1 假設數據的統計分布，比如正態、多項式、伯努利。

2 特征間是獨立的。

3 樸素貝葉斯代碼示例

# 加載樸素貝葉斯相關包 from sklearn import datasets from sklearn.naive_bayes import GaussianNB # 加載iris數據 iris = datasets.load_iris() # 定義X和y features = iris.data target = iris.target # 創建分類器對象 classifer = GaussianNB() # 定義新的樣本 new_observation = [[ 2.6, 2.6, 2.6, 0.4]] # 輸出所屬分類的概率值 print(classifer.fit(features, target).predict_proba(new_observation))

4 總結

優點:

1 樸素貝葉斯算法是一種快速、高擴展性的算法

2 樸素貝葉斯算法支持二分類和多分類，有高斯、多項式、伯努利多種實現

3 適合于小樣本上

不足:

因假設各特征間無關，所以處理特征間有關系的效果不好。

總結

以上是生活随笔為你收集整理的Python朴素贝叶斯的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。