朴素贝叶斯分类器
朴素贝叶斯 由于独立假设,朴素贝叶斯分类器具有高度可扩展性,可以在有限的训练数据下快速学习使用高维特征。这对于许多真实世界的数据集非常有用,在这些数据集中,数据量与每个单独数据块的特征数量相比较小,例如语音、文本和图像数据。现代应用程序的例子包括垃圾邮件过滤<年代up>[3]
概述
对输入向量进行分类<年代p一个nclass="katex">
现有的用户?<一个href="//www.parkandroid.com/account/login/?next=/wiki/naive-bayes-classifier/" id="problem-login-link-alternative" class="btn-link ax-click" data-ax-id="clicked_login_from_generic_modal" data-ax-type="button" data-is_modal="true" data-next="/wiki/naive-bayes-classifier/">登录
已经有账户了吗?<一个href="//www.parkandroid.com/account/login/?next=/wiki/naive-bayes-classifier/" class="ax-click" data-ax-id="clicked_signup_modal_login" data-ax-type="link">日志在这里。
朴素贝叶斯 由于独立假设,朴素贝叶斯分类器具有高度可扩展性,可以在有限的训练数据下快速学习使用高维特征。这对于许多真实世界的数据集非常有用,在这些数据集中,数据量与每个单独数据块的特征数量相比较小,例如语音、文本和图像数据。现代应用程序的例子包括垃圾邮件过滤<年代up>[3]
对输入向量进行分类<年代p一个nclass="katex">
x 对这个分类函数建模通常涉及创建一个概率分布建模<一个href="//www.parkandroid.com/wiki/joint-probability/" class="wiki_link" title="联合分布gydF4y2Ba" target="_blank">联合分布 例如,概率<年代p一个nclass="katex">
p