朴素贝叶斯分类器
天真的贝父 由于独立的假设,朴素贝叶斯分类器具有高度的可扩展性,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,每一段数据的特征数量相对较少,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
概述
对输入向量进行分类
现有的用户?<一种HR.E.F="//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?<一种HR.E.F="//www.parkandroid.com/account/login/?next=/wiki/naive-bayes-classifier/" class="ax-click" data-ax-id="clicked_signup_modal_login" data-ax-type="link">这里登录。
天真的贝父 由于独立的假设,朴素贝叶斯分类器具有高度的可扩展性,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,每一段数据的特征数量相对较少,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
对输入向量进行分类 建模此分类函数通常涉及创建概率分布建模<一种HR.E.F="//www.parkandroid.com/wiki/joint-probability/" class="wiki_link" title="联合分布GydF4y2Ba" target="_blank">联合分布 例如,机会