朴素贝叶斯讲解.pptx

我们毕业啦 其实是答辩的标题地方 朴素贝叶斯分类器 Naive Bayesian 相关知识 贝叶斯定理 相关实验 算法总结 CONTANTS 相关问题 B4 B1 B2 B3 Bn ………. 全概率公式： 若事件B1，B2，…构成一个完备事件组且都有正概率，则对任意一个事件A，有如下公式成立： P(A)=P(AB1)+P(AB2)+...+P(ABn)=P(A|B1)P(B1) + P(A|B2)P(B2) + ... + P(A|Bn)P(Bn). 此公式即为全概率公式。 即： . 相关知识 先验概率是指根据以往经验和分析得到的概率，如全概率公式，它往往作为由因求果问题中的因出现的概率· 而在得到信息之后再重新加以修正的概率叫做后验概率 先验概率（prior probability）与 后验概率（Posterior probability） 贝叶斯定理 “ ” 简单的说，贝叶斯定理是基于假设的先验概率、给定假设下观察到不同数据的概率，提供了一种计算后验概率的方法。 在人工智能领域，贝叶斯方法是一种非常具有代表性的不确定性知识表示和推理方法. 贝叶斯理论 贝叶斯定理 P(A )是A的先验概率或者边缘概率。之所以称之为是“先验”是因为它不考虑任何B方面的因素。 P(A|B)是已知B发生后A的条件概率，也是由于得自B的取值而被称作A的后验概率 P(B|A)是已知A发生后B的条件概率，也是由于得自A的取值而被称作B的后验概率 P(B)是B的先验概率或者边缘概率，也作标注化常量（normalized constant） 贝叶斯定理 贝叶斯定理 关于贝叶斯分类器 朴素贝叶斯算法原理 朴素贝叶斯算法原理 朴素贝叶斯算法原理 朴素贝叶斯算法原理 朴素贝叶斯算法流程 准备工作阶段 确定属性特征 获取训练样本 对于每个特征属性计算所有划分的条件概率 应用阶段 分类器训练阶段 人工划分 计 算 过 程 输入并判断 朴素贝叶斯分类器 表示形式： 当特征为为x时，计算所有类别的条件概率，选取条件概率最大的类别作为待分类的类别。由于上公式的分母对每个类别都是一样的，因此计算时可以不考虑分母，即 0.625 1.90361 相关实验 相关实验 先验概率 相关实验 相关实验 实验结果 PPT模板下载：/moban/ 行业PPT模板：/hangye/ 节日PPT模板：/jieri/ PPT素材下载：/sucai/ PPT背景图片：/beijing/ PPT图表下载：/tubiao/ 优秀PPT下载：/xiazai/ PPT教程： /powerpoint/ Word教程： /word/ Excel教程：/excel/ 资料下载：/ziliao/ PPT课件下载：/kejian/ 范文下载：/fanwen/ 试卷下载：/shiti/ 教案下载：/jiaoan/ PPT论坛： 算法总结 朴素贝叶斯分类器的点： （1）算法逻辑简单，易于实现； （2）分类过程中时空开销小； （3）算法稳定，对于不同类的数据特点其分类性能差别不大，健壮性比较好 朴素贝叶斯分类器的缺陷： 它无法处理基于特征组合所产生的变化结果。假设有如下这样一个场景，我们正在尝试从非垃圾邮件中鉴别出垃圾邮件来：假设我们构建的是一个Web应用程序，因为单词“online”市场会出现在你的工作邮件中。而你的好友则在一家药店工作，并且喜欢给你发一些他碰巧在工作中遇到的奇闻趣事。同时，和大多数不善于严密保护自己邮件地址的人一样，偶尔你也会收到一封包含单词”online pharmacy“的垃圾邮件。 PPT模板下载：/moban/ 行业PPT模板：/hangye/ 节日PPT模板：/jieri/ PPT素材下载：/sucai/ PPT背景图片：/beijing/ PPT图表下载：/tubiao/ 优秀PPT下载：/xiazai/ PPT教程： /powerpoint/ Word教程： /word/ Excel教程：/excel/ 资料下载：/ziliao/ PPT课件下