朴素贝叶斯分类器(Naive Bayes Classifier)
贝叶斯理论
推广到多个特征
朴素贝叶斯分类器(Naive Bayes Classifier)
难点在于: 类条件概率 是所有属性的联合概率, 难以从有限的训练样本直接估计而得. Naive Bayes Classifier 采用了属性条件独立性假设(attribute conditional independence assumption): 对已知类别, 假设所有属性相互独立.
对所有类别来说相同, 故略去.
只有当属性独立时, 才能做最后一步的变形.
独立和条件独立
独立和不相关的区别与联系
独立一定不相关
不相关未必独立
举例: X,Y 不相关但是不独立:
朴素贝叶斯分类器与其他分类算法的区别是, 贝叶斯分类器算出结果是一个概率, 而其他分类器大多算得一个确定的值
参考资料: http://www.xuetangx.com/courses/course-v1:TsinghuaX+80240372X+sp/info
机器学习周志华 https://book.douban.com/subject/26708119/
来源: https://segmentfault.com/a/1190000008854277