朴素贝叶斯算法ppt课件

朴素贝叶斯算法，朴素贝叶斯，1，算法流程图，2，朴素贝叶斯算法原理，01，贝叶斯定理朴素贝叶斯算法流程图，02，购买计算机示例，03，朴素贝叶斯算法的问题与应用，04，内容概要表，3，朴素贝叶斯算法原理，朴素贝叶斯算法是分类算法之一。朴素贝叶斯的思想基础是：对于给定的待分类项目，在该项目出现的条件下，每一类别出现的最大概率是多少。要分类的项目被分为哪一类。一般来说，这就像在街上看到一个黑人。我问你你猜这个人是哪里人，十有八九你猜是非洲人。为什么？当然，由于非洲黑人的比例最高，人们也可能是美国人或亚洲人，但在缺乏其他可用信息的情况下，我们将选择条件概率最高的类别，这是朴素贝叶斯的思想基础。条件概率：在事件B已经发生的前提下，表示事件A发生的概率，称为事件B下事件A的条件概率。基本的求解公式是：为了得到，我们给出了贝叶斯定理，没有证明。贝叶斯分类的基础贝叶斯定理，5，先验概率和后验概率，先验概率：从以前的数据分析中获得的概率。后验概率：获得信息然后再次修正的概率。6，朴素贝叶斯算法流程，1。设置为要分类的项目，每个都是的特征属性。特征属性是相互独立的(这里是朴素贝叶斯假设)。2.设置为类别集。3.计算。4.如果是的话。接下来，由于假设每个特征属性是条件独立的，因此根据贝叶斯定理进行下面的推导，因为分母对于所有类别都是常数，所以分子可以最大化。即：8，朴素贝叶斯分类示例，数据样本由属性年龄，收入，学生和证书描述。类别属性buyscomputer有两个不同的值(即是，否)。让它对应于类别buyscomputer= yes 和类别buycomputer= no 。我们分类的未知样本是：x=(年龄=30)，收入=中等，学生=是，信用等级=一般)。9，1。我们需要最大化P(X|)P()，i=1，2。每个类的先验概率p()可以根据训练样本来计算：p(买方计算机=是)=9/14=0.643p(买方计算机=否)=5/14=0.357，10，2。计算后验概率P(X|)，i=1，2(假设独立属性)。P(年龄=30|buys_computer=是)=0.222P(年龄=30|buys_computer=否)=0.600P(收入=中等 |buys_computer=是)=0.444P(收入=中等 |buys_computer=否)=0.400P(学生=是 |buys_computer=是)=0.667P(学生=是 | buys_computer=否)=0.200P(学分_计算机)对于每个类别，计算p(x |)p()p(x | buy _ computer=yes )p(buy _ computer= yes )=0.0440.643=0.028 p(x | buy _ computer= no )p(buy _ computer= no )=0.0190.357=0.007。因此，对于样本x，朴素贝叶斯分类预测buy _ computer= yes 。朴素贝叶斯分类器源于经典数学理论，具有坚实的数学基础和稳定的分类效率。同时，NBC模型需要估计的参数少，对缺失数据不太敏感，算法相对简单。理论上，与其他分类方法相比，NBC模型具有最小的错误率。然而，情况并非总是如此，因为NBC模型假设属性