朴素贝叶斯天真的是什么?朴素贝叶斯分类器中的“朴素”是什么?
回答
实际上,有一个很好的例子on Wikipedia:
在简单术语中,朴素贝叶斯分类器假定一个类的特定特征的存在(或不存在)是无关的存在(或不存在)给定类变量的任何其他功能。例如,如果水果是红色,圆形,直径约4英寸,则认为它是苹果,即使这些特征相互依赖或存在其他特征,但朴素贝叶斯分类器会将所有如果你的数据是这些属性的独立贡献,这水果是苹果的概率。
基本上,它是“幼稚”,因为它的前提,可能会或可能不会变成是正确的。
维基百科的文章正确地解释了它,但我不同意“它使得假设可能会或可能不会证明是正确的”。利用适量的训练数据,它可以很好地筛选出不相关的参数。 “天真”的部分是不考虑参数之间的依赖性,因此可能需要查看冗余数据。 – Chip
由一个特征向量X = {x1,x2,... x10}和你的类标签Y = {y1,y2,... y5}组成。因此,贝叶斯分类器可以识别正确的类标签,公式:
P(y/X)= P(X/y)* P(y)= P(x1,x2,... x10/y)* P(y)
因此,不天真。然而,很难计算P(x1,x2,... x10/Y),所以我们假设这些特征是独立的,这就是我们所说的朴素假设,因此,我们最终得到下面的公式
P(Y/X)= P(X/Y)* P(X2/Y)* ... P(X10/Y)* P(Y)
这就是所谓的幼稚,因为它使假设所有属性都是相互独立的。这个假设就是为什么它被称为天真的,因为在很多现实世界中,这是不合适的。尽管如此,分类器在很多真实世界的情况下工作得非常好,并且在某些情况下(尽管不是全部),其性能与中性网络和SVM相当。
对于发现联合分布时的分类问题,它只是反映了训练数据,而且计算起来也很困难。所以我们需要一些更有用的概括。
幼稚模型强烈推论,每个属性独立于任何其他属性分布。
它确实有助于在很大程度上不关心属性间的依赖关系。
- 1. 与朴素贝叶斯分类器
- 2. 多个朴素贝叶斯分类器
- 3. 朴素贝叶斯分类器
- 4. 朴素贝叶斯分类百分比
- 5. 朴素贝叶斯分类排
- 6. Mahout - 朴素贝叶斯
- 7. Matlab朴素贝叶斯
- 8. 了解朴素贝叶斯
- 9. 朴素贝叶斯回归
- 10. 使用朴素贝叶斯分类器的文档分类
- 11. 机器学习Python中的朴素贝叶斯分类器
- 12. Ruby中的朴素贝叶斯
- 13. 朴素贝叶斯分类器是否执行文本注释?
- 14. 实现高斯朴素贝叶斯
- 15. SciKit学习 - 训练高斯朴素贝叶斯分类器
- 16. Python中的任何朴素贝叶斯分类器?
- 17. 朴素贝叶斯分类器中的错误
- 18. 朴素贝叶斯分类器中的Python偏度和峰度
- 19. 处理朴素贝叶斯分类器中的缺失属性
- 20. R中的多项朴素贝叶斯分类器
- 21. Apache Mahout中的加权朴素贝叶斯分类器
- 22. 朴素贝叶斯分类器中的RMSE
- 23. [Python的] sklearn朴素贝叶斯
- 24. 朴素贝叶斯的问题
- 25. 多项朴素贝叶斯为OpenCV的
- 26. Sklearn朴素贝叶斯分类器对属于同一类
- 27. “朴素”贝叶斯在机器学习中意味着什么?
- 28. 使用Multinomial朴素贝叶斯分类器时的ValueError
- 29. 实现朴素贝叶斯分类器的低准确性
- 30. 工作负载预测的朴素贝叶斯分类器
你不必尴尬小贩,你问了一个很好的问题。 +1 – Yavar