SPSSAU_机器学习_朴素贝叶斯.pdf

SPSSAU-在线SPSS分析软件

K近邻算法KNNk-nearestneighborSPSSAU

朴素贝叶斯模型

Contents

1背景2

2理论2

3操作3

4SPSSAU输出结果3

5文字分析4

6剖析5

贝叶斯模型是利用先贝叶斯定理进行计算的一种机器学习模型，并且此处涉及先验概率和

后验概率。比如我们都知道去赌场会十赌九输，此是以前的经验，即为先验概率，也或者大家

都知道抛硬币时上下面第一次都是1/2概率，这均为先验概率；如果发现一个人准备跳楼，那

么此时他是因为赌博导致的概率是多少？此为后验概率。有了先验概率和后验证概率理解，结

合贝叶斯定量即可计算出概率信息值。

接着，朴素贝叶斯是基于贝叶斯定量，并且加上条件（特征之间独立）的一种模型。此处

特征属性之间独立是指比如：有100个数据，第1行数据与第2行，第3行等其它任意行数据

之间并没有关系，此前提条件非常重要，但现实中较难成立，但这并没有妨碍其的广泛使用，

可能原因在于朴素贝叶斯模型通于分类问题处理，其内部算法上会关注于条件概率排序并非具

体概率数字，因而其具有一定容错能力，并且特征属性之间假如有着关系并不完全独立，其内

部可能存在相关抵消现象。整体上看，朴素贝叶斯模型原理较为简单，且应用较为广泛，比如

输入法时可能会进行纠错功能处理，也或者垃圾邮件的识别等。

SPSSAU-在线SPSS分析软件

朴素贝叶斯模型案例

Contents

1背景2

2理论2

3操作3

4SPSSAU输出结果3

5文字分析4

6剖析5

1背景

案例数据依旧采用‘鸢尾花分类数据集’，其数据集为150个样本，包括4个特征属性（4个

自变量X），标签为鸢尾花卉类别，其分为3个类别分别是刚毛鸢尾花、变色鸢尾花和弗吉尼亚

鸢尾花（下称A、B、C三类）。

2理论

朴素贝叶斯模型的原理较为简单，其利用贝叶斯概率公式，分别如下：

()(∣)

(∣)=

()

接着假定各特征属性独立，并且将公式进行展示成如下：

()∏(∣)

=1

(∣,,⋯ ,)=

12∏()

=1

关于朴素贝叶斯模型时，其原理理解较为简单，但其内部算法上有着更多内容，感兴趣的

读者可参阅下述页面，点击查看。

/stable/modules/naive_bayes.html

关于朴素贝叶斯参数上，其特征（自变量X）的数据分布对模型有着较大影响，如下表格

说明：

参数说明参数值设置

特征分布类特征项（自变量X）的高斯分布：默认，大多数分布都是高斯分布。

型