常见机器学习方法的优缺点及适用场景:朴素贝叶斯
朴素贝叶斯(Naive Bayes)
特点:基于贝叶斯定义和特征条件(属性)独立假设的分类器方法
优点:模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单,具有很好的模型的可解释性。 朴素贝叶斯模型与其他分类方法相比具有最小的理论误差率。
缺点:属性之间相互独立,这个假设在实际应用中往往是不成立的,在属性个数比较多或者属性之间相关性较大时,分类效果不好。
应用:朴素贝叶斯算法一般应用在文本分类,垃圾邮件的分类,信用评估,钓鱼网站检测等。
模型:
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:
而对这里来说,假设X=[x1,x2,...,xn]:
为了选择后验概率最大的结果,进行概率的比较,由于分母一致,这里直接去掉分母,得到最后的计算公式:
改进:属性直接完全独立的条件太强,对于这一点,有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进,例如为了计算量不至于太大,我们假定每个属性只依赖另外的一个属性。解决特征之间的相关性,我们还可以使用数据降维(PCA)的方法,去除特征相关性,再进行朴素贝叶斯计算。
sklearn库:
1 2 3 4 | # 连续属性 from sklearn.naive_bayes import GaussianNB # 离散属性 from sklearn.naive_bayes import CategoricalNB |
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【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】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】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 全程不用写代码,我用AI程序员写了一个飞机大战
· DeepSeek 开源周回顾「GitHub 热点速览」
· 记一次.NET内存居高不下排查解决与启示
· MongoDB 8.0这个新功能碉堡了,比商业数据库还牛
· .NET10 - 预览版1新功能体验(一)