实施例用于与矩阵

简单贝叶斯朴素分类我理解通式：实施例用于与矩阵

P(i | x) = (p(i)p(x|i))/(sum(p(j)(p(x|j))

但我不能成功地将其应用到本练习：

考虑数据集两类X1 = {（ 0,0）}和X2 = {（1,0），（0,1）}。朴素贝叶斯分类器为特征向量（0,0）生成哪些分类概率？

我不明白什么P（1）和P（（0,0）| 1）将是在这种情况下。

2014-01-30 Ambi

有大量的**书籍和教程解释朴素贝叶斯分类器。你为什么不读**专业*老师给出的解释，而不是指望一些随机的互联网用户向你解释你的作业？ –

因为所有的书籍和“由专业老师给出的解释”都使用不同的案例，比如现实世界的（疾病，电子邮件垃圾邮件）。我无法将其应用于此矩阵示例。 – Ambi

我其实同意这个问题写得不是很好。我猜想X1是类别1的训练样例，X2是类别2的例子。这使得p（1）是类别1的先验概率和p（（0,0）| 1）的可能性。我猜这应该有一个作业标签 –

朴素贝叶斯分类器不是贝叶斯公式！这是两个完全不同的概念！

2014-01-30 12:46:17 jhegedus

不是。朴素贝叶斯分类器归结为几次计算贝叶斯公式，然后选择最大值。 –

是的，它用于朴素贝叶斯计算，但它只是一个简单的计算工具，而不是像朴素贝叶斯本身那样的概率模型。这是两个不同的概念 - 公式和模型。就像我使用薛定谔方程计算氢原子光谱一样：我正在求解一个微分方程，但我用于解决方案的工具（不管是哪种数学工具）都不是我正在求解的模型。 – jhegedus

回答