"NaiveBayes" （机器学习方法）

详细信息与子选项

  • 朴素贝叶斯是基于贝叶斯定理 的分类技术，它假设特征 是独立于给定类的. 对于给定例子的类概率是： ，其中 是给定类特征 的概率分布， 是类的先验概率. 分布都是从训练数据估计的. 在当前实现中，分布是使用分段常数函数模拟的（比如，变长直方图）.
  • 可以给出以下子选项：
  • "SmoothingParameter" .2正则化参数

范例

打开所有单元关闭所有单元

基本范例  (2)

在标记的示例上训练分类器函数:

获取关于分类器的信息：

分类一个新例子：

产生一些正态分布数据：

可视化：

在该数据集上培训分类器：

绘制训练集和作为特征函数的每个类的概率分布：

选项  (2)

"SmoothingParameter"  (2)

使用 "SmoothingParameter" 子选项培训分类器：

通过使用 "SmoothingParameter" 选项的不同设置在 "FisherIris" 数据集上培训多个分类器：

计算不是培训集上的点的数据点的分类器并比较类 "setosa" 的类概率：