首页 > 代码库 > Naive Bayes理论与实践
Naive Bayes理论与实践
Naive Bayes:
简单有效的常用分类算法,典型用途:垃圾邮件分类
假设:给定目标值时属性之间相互条件独立
同样,先验概率的贝叶斯估计是
优点:
1、 无监督学习的一种,实现简单,没有迭代,学习效率高,在大样本量下会有较好的表现.
2、 对分类器的学习情况有着比较简单的解释,可以简单的通过查询学习时计算的一些概率值来了解其分类原理.
缺点:
1、 假设太强——假设特征条件独立,在输入向量的特征条件有关联的场景下并不适用.
#################################Weka###############################
######################R语言##################################
##########klaR包中的NaiveBayes函数,因为该函数较之前者增加了两个功能,一个是可以输入先验概率,另一个是在正态分布基础上增加了核平滑密度函数###################
library(klaR)
data(iris)
mN <- NaiveBayes(Species ~ ., data = http://www.mamicode.com/iris)
plot(mN)
Naive Bayes理论与实践
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。