- 综合排序
- 最热优先
- 最新优先
- 来自专栏小数志
Naive Bayes——Naive在哪？
导读 经典机器学习算法中，Naive Bayes可占一席之地，也是唯一一个纯粹的概率分类算法模型。考虑其原理简单却不失强悍性能，Naive Bayes是个人最喜爱的算法之一——当然，另一个是决策树。 贝叶斯其人，据说只是业余数学家 Naive Bayes，中文译作朴素贝叶斯，这里Naive的原义是幼稚的，常常带有一点贬义的味道，用在这个算法命名中翻译为朴素，也称得上是一种包容了。 这就涉及到朴素贝叶斯的一个核心假设：朴素（Naive）！ 问题可描述为： 用机器学习语言描述：B1……Bn表示每一列特征取值，A代表分类标签结果。 最后，Naive Bayes中的Naive，难道仅表示各特征列相对独立的这一朴素的假设吗？其实不然！ 还有另外一层隐藏的含义在于：Naive Bayes还假设各特征对标签预测的重要程度（feature_importance）是一致的！ ?
77121发布于 2020-12-03 - 来自专栏Python乱炖
MachineLearning---Naive Bayes
今天我们主要来一个比较“朴素”的算法，朴素贝叶斯（Naive Bayes），至于它为什么朴素我们待会儿再讲吧！ 首先，我们来看一下贝叶斯算法，它是干嘛的呢？
55040发布于 2019-09-23 - 来自专栏互联网大杂烩
朴素贝叶斯(Naive Bayes)
CountVectorizer() X_train=vec.fit_transform(X_train) X_test=vec.transform(X_test) #导入朴素贝叶斯模型 from sklearn.naive_bayes mnb.predict(X_test) #分析分类性能 from sklearn.metrics import classification_report print('The accuracy of Naive
63210发布于 2018-08-22 - 来自专栏机器学习算法与Python学习
Machine Learning -- Naive Bayes(朴素贝叶斯)
************************************************************************************* 这是一个来自（维基百科）的Naive Bayes例子 下面是一组人类身体特征的统计资料。
1.1K50发布于 2018-04-04 - 来自专栏小明的博客
朴素贝叶斯（Naive Bayes）
朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y)，具体方法是通过参数估计的方法学习类标签的先验概率和对应的条件概率分布，然后利用贝叶斯公式对后验概率进行计算，将后验概率最大的类进行输出。
46320编辑于 2022-09-05 - 来自专栏Michael阿明学习之路
朴素贝叶斯法（Naive Bayes，NB）
自编程高斯贝叶斯预测", clf.predict(x), clf.predict_prob(x)) [2, 83] 自编程高斯贝叶斯预测 -1 0.9221912681158962 4. sklearn.naive_bayes import pandas as pd from sklearn.naive_bayes import GaussianNB from sklearn.naive_bayes import BernoulliNB from sklearn.naive_bayes import MultinomialNB for i in range(len(data[0])): data[1][i] = ord(data
96720发布于 2020-07-13 - 来自专栏产品经理的人工智能学习库
朴素贝叶斯 – Naive Bayes classifier | NBC
最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。 和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。
1.3K01发布于 2019-12-18 - 来自专栏不仅仅是python
机器学习-朴素贝叶斯（Naive Bayes）案例
除了简单之外，朴素贝叶斯（Naive Bayes）还胜过非常复杂的分类方法。 贝叶斯定理提供了一种从P（c），P（x）和P（x | c）计算后验概率P（c | x）的方法。 看下面的等式： ? 朴素贝叶斯（Naive Bayes）使用类似的方法根据各种属性来预测不同类别的概率。该算法主要用于文本分类，并且存在多个类的问题。 用Python编写一个朴素贝叶斯分类模型： ''' The following code is for Naive Bayes Created by - ANALYTICS VIDHYA ''' # importing required libraries import pandas as pd from sklearn.naive_bayes import GaussianNB from sklearn.metrics Documentation of sklearn GaussianNB: https://scikit-learn.org/stable/modules/generated /sklearn.naive_bayes.GaussianNB.html
1K40发布于 2019-09-25 - 来自专栏xiaosen
机器学习算法--朴素贝叶斯(Naive Bayes)
实验环境 1. python3.7 2. numpy >= '1.16.4' 3. sklearn >= '0.23.1' 朴素贝叶斯的介绍 朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一 warnings.filterwarnings('ignore') import numpy as np # 加载莺尾花数据集 from sklearn import datasets # 导入高斯朴素贝叶斯分类器 from sklearn.naive_bayes
64210编辑于 2024-03-15 - 来自专栏挖掘大数据
全面、简单理解朴素贝叶斯（Naive Bayes）
朴素贝叶斯（Naive Bayes）是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。本文可能是目前网络上最全面也最简单易懂的有关朴素贝叶斯的文章。 中的朴素贝叶斯分类器 sklearn中的三种朴素贝叶斯分类器分别为高斯朴素贝叶斯分类器,多项分布朴素贝叶斯分类器,以及伯努利朴素贝叶斯分类器(对应二线分布) 其使用方法如下: from sklearn.naive_bayes
2.3K00发布于 2017-12-20 - 来自专栏常用算法专栏
朴素贝叶斯分类算法（Naive Bayes Classification Algorithm）
朴素贝叶斯分类算法（Naive Bayes Classification Algorithm）是一种基于贝叶斯定理和特征条件独立假设的分类方法。以下是对该算法的清晰介绍： 1.
63710编辑于 2025-04-05 - 来自专栏Python中文社区
机器学习算法实践-朴素贝叶斯(Naive Bayes)
本文相关代码实现:https://github.com/PytLab/MLBox/tree/master/naive_bayes。
1.3K50发布于 2018-02-01 - 来自专栏KI的算法杂记
朴素贝叶斯(Naive Bayes)实战：垃圾邮件过滤
for j in i.split(' '): cab_final.append(j) return cab_final #朴素贝叶斯分类器 def bayes = [] for i in cab_f: for j in i.split(' '): cab_final.append(j) return bayes
92310编辑于 2022-07-29 - 来自专栏小徐学爬虫
Naive Bayes 分类器中概率计算错误
在 Naive Bayes 分类器中，概率计算错误通常可以归结为几个常见的问题和解决方法。以下是可能导致概率计算错误的一些常见情况及其解决方法，希望本文能对你有帮助。 test_data, test_tgt = load_data(test_filename) check_results(test_data, tgt)通过以上代码，相信大家应该能够诊断和解决 Naive Bayes 分类器中概率计算错误的常见问题。
37610编辑于 2024-07-03 - 来自专栏灯塔大数据
每周学点大数据 | No.55分类算法——Naive Bayes
NO.55 分类算法——Naive Bayes 小可：说完了聚类，那么分类算法又是怎么做的呢？ Mr. 这里介绍一种经典的分类算法——朴素贝叶斯分类器（Naive Bayes）。这种分类方法非常简单，但是非常有效。 小可：我在学概率论时听说过贝叶斯定理，和这个是一个道理吗？ Mr. 在Apache Mahout 中，也有分类算法的实现，Mahout 的内部直接包含有一个Naive Bayes分类器的示例程序，如果感兴趣的话，不妨去试着运行一下它。
80750发布于 2018-04-04 - 来自专栏NLP/KG
A.机器学习入门算法（二）: 朴素贝叶斯(Naive Bayes)
机器学习算法（二）: 朴素贝叶斯(Naive Bayes) 1. 实验室介绍 1.1 实验环境 1. python3.7 2. numpy >= '1.16.4' 3. sklearn >= '0.23.1' 1.2 朴素贝叶斯的介绍 朴素贝叶斯算法（Naive Bayes warnings.filterwarnings('ignore') import numpy as np # 加载莺尾花数据集 from sklearn import datasets # 导入高斯朴素贝叶斯分类器 from sklearn.naive_bayes 分析 + Step3: 模型训练&可视化 + Step4: 原理简析 import random import numpy as np # 使用基于类目特征的朴素贝叶斯 from sklearn.naive_bayes ,K 当涉及到多个条件时，朴素贝叶斯有一个提前的假设，我们称之为 条件独立性假设（或者 简单假设：Naive）：公式如下 P(A,B|Y) = P(A|Y) \cdot P(B|Y) 这个公式是朴素贝叶斯的基础假设
1.1K20编辑于 2023-03-22 - 来自专栏PPV课数据科学社区
一个小例子完美解释Naive Bayes（朴素贝叶斯）分类器
摘要： Naive Bayes分类器的解释有很多，但是基于一个小例子来解释的不多，本文就是基于一个简单通俗易懂的小例子来解释Naive Bayes分类器。 Being Naive 我们假设一个句子中的每个单词都与其他单词无关。这意味着我们不再看整个句子，而是单个单词。
2.1K40发布于 2018-04-24 - 来自专栏全栈程序员必看
数据挖掘十大经典算法(9) 朴素贝叶斯分类器 Naive Bayes
眼下研究较多的贝叶斯分类器主要有四种，各自是：Naive Bayes、TAN、BAN和GBN。 依据对特征值间不同关联程度的如果，能够得出各种贝叶斯分类器，Naive Bayes、TAN、BAN、GBN 就是当中较典型、研究较深入的贝叶斯分类器。 在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBC）。
57620编辑于 2022-07-13 - 来自专栏深度学习自然语言处理
【机器学习实战】垃圾分类快速理解机器学习中的朴素贝叶斯（Naive Bayes）
贝叶斯方法是一个历史悠久，有着坚实的理论基础的方法，同时处理很多问题时直接而又高效，很多高级自然语言处理模型也可以从它演化而来。因此，学习贝叶斯方法，是研究自然语言处理问题的一个非常好的切入口。
1.4K30发布于 2020-02-25 - 来自专栏专知
【资源】Python实现多种模型(Naive Bayes, SVM, CNN, LSTM, etc)用于推文情感分析
【导读】近日，Abdul Fatir 在自己的CS5228课程报告使用不同的方法进行Tweets情感分析（作为二分类问题），并对这些方法的性能进行比较，主要是基于Python实现多种模型(Naive Bayes 朴素贝叶斯（Naive Bayes） ---- 运行naivebayes.py，使用TRAIN=True将显示在10%的验证数据集的准确率。
1.8K100发布于 2018-04-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号