`

贝叶斯分类zz

阅读更多

 

 

 



 

 

 

 

 

 

First Step

Find Classes:

      C1: buys_computer = ‘yes’

      C2: buys_computer = ‘no’

 

Second Step

      Find P(C1) and P(C2)

                      P( buys_computer = “yes”)  = 9/14 = 0.643

                    P( buys_computer = “no”) = 5/14= 0.357

 

Third Step

  Compute P (X|C) for each class :

     P (age = “Youth” / buys_computer = “yes”)  = 2/9 = 0.222

     P (age = “Youth” /  buys_computer = “no”) = 3/5 = 0.6

     P (income = “medium” /  buys_computer = “yes”) = 4/9 = 0.444

     P (income = “medium” /  buys_computer = “no”) = 2/5 = 0.4

     P (student = “yes” /  buys_computer = “yes) = 6/9 = 0.667

     P (student = “yes” /  buys_computer = “no”) = 1/5 = 0.2

     P (credit_rating = “fair” /  buys_computer = “yes”) = 6/9 = 0.667

     P (credit_rating = “fair” / buys_computer = “no”) = 2/5 = 0.4

 

Fourth Step .

    Find P(X|Ci) :

 For C1:    Multiply all the probabilities that belong to class “yes”

           P(X|buys_computer = “yes”) = 0.222 x 0.444 x 0.667 x 0.667=.044

Similarly     for “class = no”

          P(X|buys_computer = “no”) = 0.6 x 0.4 x 0.2 x 0.4 = 0.019

 

Finally ,

     find ……  P(X|Ci)*P(Ci) …….  for each class

P(X|buys_computer = “yes”) * P(buys_computer = “yes”) = 0.028

P(X|buys_computer = “no”) * P(buys_computer = “no”) = 0.007

 

为避免0概率,可考虑拉普拉斯加1平滑。

 

  • 大小: 32.6 KB
  • 大小: 5.4 KB
分享到:
评论

相关推荐

    java实现朴素贝叶斯算法

    朴素贝叶斯分类器基于贝叶斯定理,其核心思想是通过已知类别的样本计算每个特征在各个类别下的概率分布,然后对于新的数据点,根据所有特征的概率乘积来预测其所属类别。这里的“朴素”一词源于对特征之间相互独立的...

    Pythons深度学习机器神经Pytorch项目实战机器人培训视频(准备阶段自然语言处理贝叶斯分类算法RNN网络GAN网络)实战

    Pythons深度学习机器神经Pytorch项目实战机器人培训视频(准备阶段自然语言处理贝叶斯分类算法RNN网络GAN网络)实战含代码7G视频提取方式是百度网盘分享地址

    神经网络与深度学习python源码朴素贝叶斯

    对于给定的输入向量X,朴素贝叶斯分类器会计算出每个类别的后验概率P(C|X),并选择具有最高后验概率的类别作为输出结果。 #### 3.2 Python实现朴素贝叶斯分类器 ##### 3.2.1 数据准备 - **数据收集**:收集足够多...

    Python机器学习机器学习十大算法英文文档朴素贝叶斯

    scikit-learn提供了一个简单而强大的接口来实现朴素贝叶斯分类器,并且提供多种不同的实现,如Gaussian Naive Bayes、Multinomial Naive Bayes和Bernoulli Naive Bayes。 使用scikit-learn实现朴素贝叶斯的基本步骤...

    Python机器学习机器学习十大算法英文文档AdaBoost

    7. 朴素贝叶斯(Naive Bayes) 8. K均值聚类(K-Means Clustering) 9. 主成分分析(Principal Component Analysis, PCA) 10. AdaBoost 这些算法在不同的问题设定中,如分类、回归、聚类、降维等任务中各自展现出...

    模型算法统计分析文档含代码

    比较常见的分类算法有k-最近邻算法(k-NN)、朴素贝叶斯分类器、决策树、支持向量机等。 7. 聚类算法:与分类算法不同,聚类算法用于将数据集分成多个类或簇,数据在同一个簇中的实例比与其他簇中的实例更加相似。...

    gibbs采样笔记1

    2. **初始化主题分配**:对于语料库中的每篇文档,每个词随机分配一个主题编号zz。 3. **Gibbs采样更新**:重新遍历语料库,对于每个词,使用Gibbs采样公式更新其所属主题,并更新该词在文档中的主题计数。 4. **...

    Python机器学习机器学习十大算法英文文档C4.5

    9. 朴素贝叶斯(Naive Bayes):一种基于贝叶斯定理的简单概率分类器。 10. 神经网络(Neural Networks):模拟人脑进行信息处理的结构,是深度学习的基础。 C4.5算法是一种被广泛研究和应用的决策树算法,它是由...

    基于EEMD能量熵和PNN的滚动轴承故障诊断python

    2. 概率神经网络(PNN):一种基于贝叶斯理论的前馈神经网络,适用于分类问题,尤其在小样本情况下表现良好。 3. TensorFlow:谷歌开发的深度学习框架,用于构建和训练神经网络模型。 4. 滚动轴承故障诊断:通过对...

    Python机器学习机器学习十大算法英文文档SVM

    十大机器学习算法通常包括线性回归、逻辑回归、决策树、随机森林、支持向量机、K近邻算法(KNN)、朴素贝叶斯、K均值聚类、主成分分析(PCA)和神经网络等。 5. 英文文档:由于文档标题中特别强调了英文文档,这...

    Python机器学习机器学习十大算法英文文档EM

    虽然不同的来源可能会有不同的列表,但常见的算法包括决策树、支持向量机、随机森林、神经网络、K-近邻、朴素贝叶斯、梯度提升树、集成方法、逻辑回归和K均值聚类等。 6. 英文文档EM:文档EM可能是指“文档中包含的...

Global site tag (gtag.js) - Google Analytics