朴素贝叶斯评级

Question

假设我有一个具有以下数据的培训集：

Type  |  Size  |   Price  |  Rating  |  SUGGESTION
---------------------------------------------------
Shirt     M        Budget      0           Bad
Trouser   L        Budget      4.2         Good
Shirt     M        Expensive   2.3         Good
....etc....

这里以SUGGESTION为类，我们需要在提供输入样例时提出这个类。也就是说，当给定一个输入样本(与训练数据集不同)时，我们需要确定它是Good还是Bad。

能够理解基于互联网上的一个例子的概率计算：

数据集：

​

输入样本的计算：

​

我的数据集中的疑问是，我有一个名为Rating的列。那么，对于这一列，我们也像其他列一样进行概率计算(就像上面的截图中那样)？或者我们需要考虑另一种方法来处理某一列的值？比如说均值和标准差？

谢谢

Answer 1

列“大小”和“价格”表示分类数据(实际上，序号，但这是另外一点)。虽然你也可以将“评级”建模为“分类值”，但这可能是个坏主意，最好将数据建模为数字。这就是为什么。

数据作为分类数据和数字数据的区别在于不同的值。假设你对x有三个观察：x=12，x=13，x=1344。那么问题是：P(x=12)、P(x=1344)和P(x=13)的概率有多大不同？答案在很大程度上取决于这些值所代表的数据类型。

例如，它x表示用户id或什么排序是无关的，这些概率可能是任意的。但是如果x表示的是，比如说，工资率，那么与第三个数值相比，12和13之间显然没有太大的差别。

它还可以帮助你推断出更多关于你的数据的知识。例如，dataset中可能没有4.9值，但是有很多4.8和5.0。然后，您的模型在这两者之间进行“内插”，给出4.9的概率，即使数据集中没有显示它。

因此，是的，您应该使用数值分布(例如，高斯分布)对您的评级数据。我还建议进行一些清理:显然，0代表“未评分”，而不是“非常糟糕”，因此您可能需要告诉您的模型(例如，用平均评分替换0)。

Answer 2

如何处理评级栏的答案是通常的答案:这取决于。

首先，我要确定评级的数字到底代表什么。我希望评分是整数值，就像为电影评论分配一些明星一样。在这种情况下，十进制值表明评级是另一回事。检查测试数据应该会告诉您这些值是否已经是离散值，或者它们是否是沿着数字线任何地方都可能下降的数字。例如，如果唯一的值是0、1.1、2.3、3.5、4.2和5.6，那么处理它们就像S、M和L一样。

例如，如果评级值是数字的，并且下降在0到10之间，你能处理它们类似于网球例子中的温度吗？温度可以被测量为一个数值，但已经映射成热、冷等组。

如果分组不起作用，它们可能需要进行一些数学计算，并根据数据的分布计算概率。

最后，您可以尝试另一种算法，如K最近邻算法。