预备知识：贝叶斯公式：A、B事件。在A发生条件下B发生的概率=在B发生条件下A发生的概率*B发生的概率/A发生的概率P(B|A)=P(A|B)P(B) / P(A)全概率公式：特别的，设实验E的样本空间为S,A为E的事件,B1,B2,...,Bn为S的一个划分,且P(Bi)>0(i=1,2,...,...
分类：
其他好文 时间：
2015-11-04 00:21:08
阅读次数：
179
朴素贝叶斯分类由条件概率：表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为：。得出贝叶斯定理朴素贝叶斯的思想基础是：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。整个朴素贝叶斯分类分为三个阶段： ...
分类：
其他好文 时间：
2015-10-29 20:02:08
阅读次数：
208
1、概述朴素贝叶斯分类是贝叶斯分类器的一种，贝叶斯分类算法是统计学的一种分类方法，利用概率统计知识进行分类，其分类原理就是利用贝叶斯公式根据某对象的先验 概率计算出其后验概率（即该对象属于某一类的概率），然后选择具有最大后验概率的类作为该对象所属的类。总的来说：当样本特征个数较多或者特征之间相关性较...
分类：
编程语言 时间：
2015-10-06 23:29:28
阅读次数：
456
主要内容：1、动机2、基于朴素贝叶斯的文本分类器3、python实现一、动机之前介绍的朴素贝叶斯分类器所使用的都是结构化的数据集，即每行代表一个样本，每列代表一个特征属性。但在实际中，尤其是网页中，爬虫所采集到的数据都是非结构化的，如新闻、微博、帖子等，如果要对对这一类数据进行分类，应该怎么办呢？例...
分类：
其他好文 时间：
2015-10-06 16:41:21
阅读次数：
370
贝叶斯定理是统计学的一种分类的方法最简单的贝叶斯分类方法称为朴素贝叶斯分类的方法朴素贝叶斯法的一个重要条件是即一个属性值对分类的影响独立于其他属性值 也称为类条件独立性p(H|X)=p(X|H)P(H)/P(X) 其中已经知道后者求前者，。即是后验=似然X先验/证据因子朴素贝叶斯方法易于实现 ，而....
分类：
其他好文 时间：
2015-10-05 15:32:37
阅读次数：
269
概率是许多机器学习算法的基础，在前面生成决策树的过程中使用了一小部分关于概率的知识，即统计特征在数据集中取某个特定值的次数，然后除以数据集的实例总数，得到特征取该值的概率。之前的基础实验中简单实现了朴素贝叶斯分类器，并正确执行了文本分类，这一节将贝叶斯运用到实际场景，垃圾邮件过滤这一实际应用。...
分类：
其他好文 时间：
2015-09-15 00:18:48
阅读次数：
232
朴素贝叶斯分类器是基于贝叶斯理论中属性独立假设而创造的一种算法。算法思路简单：只要是哪个类的后验概率大待测样本即为该类别。所谓后验概率就是在给定条件发生的情况下，该样本被判定为某个类别的概率。后验概率P(Y|X)表示在属性集合X（X1,X2,...,Xn）发生的条件下Y类别发..
分类：
编程语言 时间：
2015-09-08 20:22:07
阅读次数：
249
本文在对朴素贝叶斯分类进行了简单介绍之后，用Python编程实现。
分类：
其他好文 时间：
2015-09-02 22:02:49
阅读次数：
201
朴素贝叶斯是一个很不错的分类器，在使用朴素贝叶斯分类器划分邮件有关于朴素贝叶斯的简单介绍。若一个样本有n个特征，分别用x1,x2,...,xn表示，将其划分到类yk的可能性P(yk|x1,x2,...,xn)为：P(yk|x1,x2,...,xn)=P(yk)∏ni=1P(xi|yk)上式中等号右侧...
分类：
其他好文 时间：
2015-08-26 15:24:29
阅读次数：
188
NLTK是Python的一个自然语言处理的模块，其中实现了朴素贝叶斯分类算法。以下，就使用上一篇文中提到的数据，来应用这个模块实现朴素贝叶斯分类。NLTK的实现更加泛化，所以在应用到我们的数据上时需要做一点的转化。
首先来看一下NLTK官方文档中给出的一个简单明了的例子，在了解这个例子之后，再设法将同样的模型应用到自己的数据集上。官方给出的例子是英文名中，在知道名字中最后一个字母后，判断...
分类：
其他好文 时间：
2015-08-10 20:10:15
阅读次数：
651
