简单分类算法
简单的分类算法
朴素贝叶斯分类算法
-
求解先验概率:C为一个类别集合, c i c_i ci是第i个类别,求解概率 P ( c i ) P(c_i) P(ci)
-
求解类别条件概率:x为一个待分类项, a k a_k ak是x的第k个特征属性,假设这些属性相互独立
P ( x ∣ c i ) = P ( a 0 ∣ c i ) P ( a 1 ∣ c i ) . . . P ( a n ∣ c i ) P(x|c_i) = P(a_0|c_i)P(a_1|c_i)...P(a_n|c_i) P(x∣ci)=P(a0∣ci)P(a1∣ci)...P(an∣ci)
-
代入朴素贝叶斯判别公式
P ( c i ∣ x ) = P ( x ∣ c i ) P ( c i ) P ( x ) P(c_i|x) = \cfrac{P(x|c_i)P(c_i)}{P(x)} P(ci∣x)=P(x)P(x∣ci)P(ci)
因为P(x)用于归一化,对于所有类别相同,因此对于一般分类问题不计算P(x)
所以最终公式为 P ( c i ∣ x ) = P ( x ∣ c i ) P ( c i ) P(c_i|x) = P(x|c_i)P(c_i) P(ci∣x)=P(x∣ci)P(ci)
-
比较 P ( c i ∣ x ) P(c_i|x) P(ci∣x)最大的值,说明x属于$ c_i$类型
KNN分类算法
欧氏距离: E D = ( x 2 − x 1 ) 2 + ( y 2 − y 1 ) 2 ED = \sqrt{(x_2-x_1)^2 + (y_2 - y_1) ^ 2} ED=(x2−x1)2+(y2−y1)2
曼哈顿距离: M D = ∣ x 2 − x 1 ∣ + ∣ y 2 − y 1 ∣ MD = |x_2 - x_1| + |y_2 - y_1| MD=∣x2−x1∣+∣y2−y1∣
-
原理:
它根据距离函数计算待分类样本X和每个训练样本的距离(作为相似度),选择与待分类样本距离最小的K个样本作为X的K个最近邻,最后以X的K个最近邻中的大多数样本所属的类别作为X的类别。
-
算法流程
- 初始化距离为最大值
- 计算待测试样本与每个训练样本的距离
- 找到最小k个中最大距离
- 收集这k个最近样本
- 统计k个样本中每个类别出现次数,最多的类别即为测试样本的类别
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 没有源码,如何修改代码逻辑?
· NetPad:一个.NET开源、跨平台的C#编辑器
· PowerShell开发游戏 · 打蜜蜂
· 凌晨三点救火实录:Java内存泄漏的七个神坑,你至少踩过三个!
2021-10-27 C语言之判断质数算法