原创力文档- 1、本文档共17页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
朴素贝叶斯法
目录
1. 朴素贝叶斯法的学习与分类
2. 朴素贝叶斯法的参数估计
一、朴素贝叶斯法的学习与分类
基本方法
后验概率最大化的含义
基本方法
训练数据集：
由X和Y 的联合概率分布P(X,Y)独立同分布产生
朴素贝叶斯通过训练数据集学习联合概率分布P(X,Y) ，
即先验概率分布：
及条件概率分布：
注意：条件概率为指数级别的参数：
基本方法
条件独立性假设：
“朴素”贝叶斯名字由来，牺牲分类准确性。
贝叶斯定理：
代入上式：
基本方法
贝叶斯分类器：
分母对所有c 都相同：
k
后验概率最大化的含义 ：
朴素贝叶斯法将实例分到后验概率最大的类中，等价于
期望风险最小化，
假设选择0-1损失函数：f(X)为决策函数
期望风险函数：
取条件期望：
后验概率最大化的含义 ：
只需对X=x逐个极小化，得：
推导出后验概率最大化准则：
二、朴素贝叶斯法的参数估计
应用极大似然估计法估计相应的概率：
先验概率P(Y=c )的极大似然估计是：
k
设第j个特征x(j)可能取值的集合为：
条件概率的极大似然估计：
朴素贝叶斯法的参数估计
学习与分类算法Naïve Bayes Algorithm ：
输入：
训练数据集
第i个样本的第j个特征
第j个特征可能取的第l个值
输出：
x 的分类
朴素贝叶斯法的参数估计
步骤
1 、计算先验概率和条件概率
朴素贝叶斯法的参数估计
步骤
2、对于给定的实例
计算
3 、确定x 的类别
例子
例子
测试
例子
贝叶斯估计
考虑：用极大似然估计可能会出现所要估计的概率值为
0 的情况，这时会影响到后 验概率的计算结果，使分类
产生偏差.解决这一问题的方法是采用贝叶斯估计。
条件概率的贝叶斯估计：
先验概率的贝叶斯估计：
Q & A
文档评论（0）