Python全系列 教程
3567个小节阅读:5929.2k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
朴素贝叶斯(Native Bayes)算法是基于贝叶斯定理和特征条件独立假设的分类算法。
贝叶斯定理(Bayes Theorem)也称贝叶斯公式,是关于随机事件的条件概率的定理
定理内容:
如果随机事件A~1~,A~2~,...,A~n~构成样本空间的一个划分(不重、不漏),且都有正概率,则
对任何一个事件B(P(B)>0),有
提示:
贝叶斯定理是“由果溯因”的推断,所以计算的是"后验概率"
样本的各特征之间相互独立
算法原理
对于待分类样本,在此待分类样本出现的条件下(也就是样本各个特征已知),计
算各个类别出现的概率,哪个最大就认为此样本属于哪个类别
1. 关于朴素贝叶斯算法,下列说法正确的是:
A 是一种回归算法
B 计算各个类别出现的概率,哪个概率最小,就属于哪个类别
C 算法应用的前提条件是样本的各特征之间相互独立
D 是基于二项式定理的算法
2. 关于朴素贝叶斯算法的优缺点,下列说法正确的是:
A 算法很复杂
B 对缺失数据很敏感
C 如果样本的各特征之间相互不独立,也可以使用该算法
D 输入特征数据的表现形式,会影响概率计算和模型的分类效果
1=>C 2=>D