应用到数据集上进行训练的朴素贝叶斯分类方法
发布时间
阅读量：
阅读量
朴素贝叶斯模型
基于贝叶斯算法而实现的朴素贝叶斯方法在本质上进行了必要的简化**** ，即假设在给定目标值的情况下各个属性之间是相互条件独立**** 的。这也就意味着没有任何一个属性变量在其对决策结果的影响程度上占据主导地位，并且同样地，在对其影响程度较低的情况下也没有任何单一属性变量占据显著地位**** 。尽管这种简化的代价是降低了原始贝叶斯分类算法的效果水平 ，但在实际应用场景中这一改进使得朴素贝叶斯方法在应用中的复杂度得到了显著降低 。
数学基础公式总结
先验概率P(A)表示在没有任何额外信息的情况下, 事件A发生的可能性。
条件概率P(B|A)是在已知事件A发生的情况下, 观察到事件B的概率。
后验概率P(A|B)是指当观察到结果B时, 在此基础之上对事件A的概率进行更新评估。
根据贝叶斯定理, 公式可表示为 P(A|B) = \frac{P(AB)}{P(B)}
样本空间被分为两个互斥且穷尽的事件A和A^{\prime}时，则事件B的概率等于其在各自子集上的条件概率与对应子集概率之积之总和。
还没有任何评论哟~