朴素贝叶斯

标签：多类别   朴素   类别   分类方法   tps   客户   贝叶斯   特点   准备   

基于贝叶斯定理与特征条件独立假设的分类方法

首先基于特征条件独立假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y，

有监督的学习算法，解决的是分类问题，客户是否流失、是否值得投资、信用等级评定等多分类问题

简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美，但特征条件独立假设

• 优点：在数据较少的情况下仍然有效，可以处理多类别问题
• 缺点：对于输入数据的准备方式较为敏感
• 适用数据类型：标称型数据

条件概率

 全概率公式

朴素贝叶斯推断的一些优点：

生成式模型，通过计算概率来进行分类，可以用来处理多分类问题。
对小规模的数据表现很好，适合多分类任务，适合增量式训练，算法也比较简单。
朴素贝叶斯推断的一些缺点：

对输入数据的表达形式很敏感。
由于朴素贝叶斯的“朴素”特点，所以会带来一些准确率上的损失。
需要计算先验概率，分类决策存在错误率。

原文链接：https://blog.csdn.net/jiaoyangwm/article/details/79552267

原文链接：https://blog.csdn.net/jiaoyangwm/article/details/79552267

朴素贝叶斯

标签：多类别   朴素   类别   分类方法   tps   客户   贝叶斯   特点   准备   

原文地址：https://www.cnblogs.com/A-lam/p/12890607.html