朴素贝叶斯分类算法的应用多元统计实验报告要点分析.pptVIP

应用多元统计实验报告 梦晴 朴素贝叶斯分类算法 算法简介 算法描述 算法优点 算法流程 算法实例 算法结果分析 算法简介 算法描述 （3）由于P(X) 对于所有类为常数，只需要P(X |Ci)P(Ci)最大即可。如果类的先验概率未知，则通常假定这些类是等概率的；即，P(C1) = P(C2) = ... = P(Cm)。并据此对P(Ci | X)最大化。否则，我们最大化P(X |Ci)P(Ci)。注意，类的先验概率可以用P(Ci) = si /s计算；其中，si是类C中的训练样本数，而s是训练样本总数。 （4）给定具有许多属性的数据集，计算P(X |Ci)的开销可能非常大。为降低P(X |Ci)计算的开销，可以做类条件独立的朴素假定。给定样本的类标号，假定属性值相互条件独立，即在属性间，不存在依赖关系。这样， 概率P(X1|Ci)，P(X2|Ci)，…P(Xn|Ci)可以由训练样本估值，其中 （a)如果Ak是连续值属性，则P(Xk|Ci)=Sik/Si，其中Sik是在属性Ak上具有值Xk的类Ci的样本数，而Si是Ci中的训练样本数。 （b）如果Ak是连续值属性，则通常假定该属性服从高斯分布，因而， 其中，给定类Ci的训练样本属性Ak的值， 是属性Ak的高斯密度函数，而 分别为平均值和标准差。 （5）为对未知样本X分类，对