貝葉斯理論體系都是建立在那個眾所周知的貝葉斯公式上，貝葉斯原理簡單，一些名家所言，裡面蘊含著深奧的道理，樸素貝葉斯法是一種簡單的分類方法，在機器學習領域廣泛應用。在網上經常看到各個版本的貝葉斯分類器的實現，不過總是感覺由以下兩點沒有陳述清楚，其一，針對連續型變數的處理沒有給出具體的顯式表示式；其二，**與文字摻雜，多數初學者看不下去。下面給出具體實現，連續型變數經過了測試，離散型變變數沒有經過測試，可能會有bug。
a<-c(1,0,1,1,0,1,0,1,0,0)
b<-c(0.1,-0.1,0.2,0.3,-0.2,0.4,-0.2,0.3,-0.1,-0.3)
c<-c(5,3,6,7,2,5,1,7,1,2)
d<-c(1,10,2,3,8,7,3,9,2,2)
e<-c(-1,-10,2,5,3,0,1,2,2,4)
data<-cbind(a,b,c,d,e)
#caculate prior probability
#do not consider other terms to caculate the probability
priorpfun<-function(y)
#caculate post probability
#gauss-distribution
contiousfun<-function(x,y,condition)
#dicrete distribution
dicretefun<-function(x,y,condition)
#predict function
bayespre<-function(x,y,condition)else
return(ifelse(m1>m2,0,1))
} bayespre(data[,-1],data[,1],data[1,-1])
樸素貝葉斯法
樸素貝葉斯法是基於貝葉斯定理與特徵條件獨立假設的分類方法。簡單來說，樸素貝葉斯分類器假設樣本每個特徵與其他特徵都不相關。舉個例子，如果一種水果具有紅，圓，直徑大概4英吋等特徵，該水果可以被判定為是蘋果。儘管這些特徵相互依賴或者有些特徵由其他特徵決定，然而樸素貝葉斯分類器認為這些屬性在判定該水果是否為...
樸素貝葉斯法
文章記錄的內容是參加datawhale的組隊學習統計學習方法 第二版 習題解答過程中的筆記與查缺補漏！參考解答位址 樸素貝葉斯法。解答思路 先回顧一下用極大似然法估計樸素貝葉斯引數的過程。既然是估計引數，那麼先明確一下樸素貝葉斯中有哪些引數 p y c k 和 p x j x j mid y c k...
樸素貝葉斯
樸素貝葉斯演算法是一種基於概率統計的分類方法，它主要利用貝葉斯公式對樣本事件求概率，通過概率進行分類。以下先對貝葉斯公式做個了解。對於事件a b，若p b 0，則事件a在事件b發生的條件下發生的概率為 p a b p a b p b 將條件概率稍作轉化即可得到貝葉斯公式如下 p a b p b a ...