【免费】贝叶斯分类sss1资源-CSDN文库

需积分: 0 28 浏览量 2022-08-08 21:53:44 上传评论收藏 202KB DOCX 举报

资源详情

资源评论

资源推荐

贝叶斯分类器原理及实践(python)

朴素贝叶斯分类器，及 Narive Bayes,给定一个训练数据集，对新的输入例，

在训练数据集上采用属性独立假设，并使用联合概率进行分类的计算器。

贝叶斯分类器的思想：

( ) ( | )

( | )

( )

p c p x c

p c x

p x

=

(1)

公式中 c 表示分类，比如商品分类，x 表示特征或者属性，比如一个人的属

性（身高，体重，爱好），根据一个人的属性向他进行商品的推荐，概率最大的

商品作为首要推荐商品。

对 x 进行分解，变成多个属性的集合

1

( ) ( | ) ( )

( | ) ( | )

( ) ( )

d

i

i

p c p x c p c

p c x p x c

p x p x

=

= = Õ

(2)

式中

( | )

i

p x c

表示针对分类 c 的每个离散属性为真的概率。

对离散属性而言，令

,

i

c x

D

表示 Dc 中第 i 个属性上取值为 x

i

的样本组成的集合，

则条件概率可以估计为，

,

| |

( | )

i

c x

i

c

D

p x c

D

=

（3）

分母 Dc 表示分类(c)的样本数，而不是整体样本树数。

如表 1，推荐商品为啤酒与口红，1-13 行为购买某个商品的用户特征与嗜好，

根据这些信息，判断 15-16 行的用户应该推荐什么商品。

表 1 购物网站用户与购买商品信息

特征

嗜好

性别

上衣码

裤长

学号

抽烟

购物

追剧

电影

1

啤酒

XXL

105

42

T

F

F

T

2

啤酒

XXXL

95

42

F

F

T

F

3

啤酒

XL

90

41.5

T

T

F

T

4

啤酒

XL

90

40

F

F

F

T

5

啤酒

S

80

40

T

T

F

T

6

啤酒

M

90

40

T

F

F

T

7

啤酒

M

90

40

F

F

F

T

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余9页未读，立即下载

评论0

内容反馈

whph

粉丝: 18
资源: 305

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip