你应该是一阵风丫

2020-10-17   阅读量: 12

机器学习【三】朴素贝叶斯

机器学习【三】朴素贝叶斯

涉及内容:

基本概念————原理、贝叶斯定理、对天气的简单预测

贝努利朴素贝叶斯————适合符合贝努利分布【二项分布】的数据集

高斯朴素贝叶斯————适用样本的特征符合高斯分布【正态分布】

多项式朴素贝叶斯————用于拟合多项式分布的数据集、数据预处理工具MinMaxScaler

实战:判断肿瘤良性还是恶性————导入、拆分、拟合、随机预测、高斯朴素贝叶斯的学习曲线

适用:

  • 不考虑样本之间特征的关系——> 朴素贝叶斯分类器效率极高

  • 高斯朴素贝叶斯在预测方面,对于样本数量的要求不苛刻

优点:

  • 高斯朴素贝叶斯 可以应用于任何连续数值型的数据集中,如果是符合正态分布的数据集的话,得分会更高

  • 相对于线性模型,朴素贝叶斯效率更高——> 把数据集中的各个特征看作完全独立的,不考虑特征之间的关联关系,但同时,泛化能力更弱

  • 大数据时代,很多数据集的样本特征成千上万,这种情况下,模型的效率要比泛化性能多零点几个百分点的得分更重要

缺点:

  • 是相当好的分类器,但对于预测具体的数值并不是很擅长

  • 泛化能力弱


0.0000 0 0 关注作者 收藏

评论(0)


暂无数据

推荐帖子


    暂无数据

推荐课程