Java實現樸素貝葉斯分類器
實驗描述:
對指定資料集進行分類問題的分析，選擇適當的分類演算法，編寫程式實現，提交程式和結果報告
資料集： balance-scale.data（見附件一） ，已有資料集構建貝葉斯分類器。
資料包括四個屬性：五個屬性值 第一個屬性值表示樣本的類別號，其他四個屬性為四個不同的特徵值。
實驗環境和程式語言：
本實驗使用的程式語言為：Java
程式設計環境為：Intellij idea
構建分類器的演算法為：樸素貝葉斯演算法
訓練的樣本個數為：625個
樣本示例：R,1,1,1,2（表示屬於R類，四各屬性值為1 1 1 2）
訓練樣本和測試樣本見附件一。
工程和測試資料下載地址：
實驗結果分析：
根據程式執行的結果如圖1-1所示，使用訓練的樣本對分類器進行檢測，分類得到295個R類（實際288個），330個L類（實際288個），0個B類（實際49個），綜合分類正確率為92.16%。可以認為分類器有較高的正確率，但是對於類B的分類還是有一定的誤差，具體原因會在思考與改進中說明。
思考與改進：
思考點：
本次實驗程式設計利用樸素貝葉斯演算法構建的分類器，雖然整體情況是擁有較高的分類正確率（92.16%），但是對訓練樣本再檢測時沒有發現一個B類樣本，出現的較大的偏差，分析原因如下：
1. B類樣本點總數很少，以至於P（yB）就遠遠小於P（yR）和P（yL
2. 觀察訓練樣本集可以發現，B類的樣本點和L類以及R類並沒有很大區別，其不具備很強的統計可分性，所以對於依賴於統計概率的貝葉斯方法無法體現出其優勢，所以導致了最終沒有樣本被分到B類中。
改進點：
本演算法在實現貝葉斯分類的時候，每一次都進行了遍歷樣本集來求出
P（a1|y1）、P（a2|y1）……P（an|yn），所以導致演算法的整體時間複雜度較高，在面臨較大的資料集時可能就會出現問題，因此可以考慮實現將已經計算過的
P（ax|yx）儲存到變數或者陣列中，在下一次計算的時候可以直接呼叫，從而可以避免再一次的遍歷訓練集來計算概率，實現時間複雜度的降低。
程式設計實現：
package com.company;
/********************************************************************************
*
*
* 資料探勘實驗，分類實驗
* 樸素貝葉斯分類
*
*訓練樣本示例格式：（R,1,5,5,4）
*/
import java.io.File;
import java.util.Scanner;
import java.util.Vector;
public class Bayes {
static Vector<String> indata = new Vector<>();//讀入資料
static Vector<int[]> catagory_R = new Vector<>();//儲存類別R的所有資料
static Vector<int[]> catagory_L = new Vector<>();//儲存類別L的所有資料
static Vector<int[]> catagory_B = new Vector<>();//儲存類別B的所有資料
public static boolean loadData(String url) {//載入測試的資料檔案
try {
Scanner in = new Scanner(new File(url));//讀入檔案
while (in.hasNextLine()) {
String str = in.nextLine();//將檔案的每一行存到str的臨時變數中
indata.add(str);//將每一個樣本點的資料追加到Vector 中
}
return true;
} catch (Exception e) { //如果出錯返回false
return false;
}
}
public static void pretreatment(Vector<String> indata) { //資料預處理，將原始資料中的每一個屬性值提取出來存放到Vector<double[]> data中
int i = 0;
String t;
while (i < indata.size()) {//取出indata中的每一行值
int[] tem = new int[4];
t = indata.get(i);
String[] sourceStrArray = t.split(",", 5);//使用字串分割函式提取出各屬性值
switch (sourceStrArray[0]) {
case "R": {
for (int j = 1; j < 5; j++) {
tem[j - 1] = Integer.parseInt(sourceStrArray[j]);
}
catagory_R.add(tem);
break;
}
case "L": {
for (int j = 1; j < 5; j++) {
tem[j - 1] = Integer.parseInt(sourceStrArray[j]);
}
catagory_L.add(tem);
break;
}
case "B": {
for (int j = 1; j < 5; j++) {
tem[j - 1] = Integer.parseInt(sourceStrArray[j]);
}
catagory_B.add(tem);
break;
}
}
i++;
}
}
public static double bayes(int[] x, Vector<int[]> catagory) {
double[] ai_y = new double[4];
int[] sum_ai = new int[4];
for (int i = 0; i < 4; i++) {
for (int j = 0; j < catagory.size(); j++) {
if (x[i] == catagory.get(j)[i])
sum_ai[i]++;
}
}
for (int i = 0; i < 4; i++) {
ai_y[i] = (double) sum_ai[i] / (double) catagory.size();
}
return ai_y[0] * ai_y[1] * ai_y[2] * ai_y[3];
}
public static void main(String[] args) {
loadData("balance-scale.data");
pretreatment(indata);
double p_yR = (double) catagory_R.size() / (double) (indata.size());//表示概率p（R）
double p_yB = (double) catagory_B.size() / (double) (indata.size());//表示概率p（B）
double p_yL = (double) catagory_L.size() / (double) (indata.size());//表示概率p（L）
int[] x = new int[4];
double x_in_R, x_in_L, x_in_B;
int sumR=0, sumL=0, sumB=0;
double correct=0;
System.out.println("請輸入樣本x格式如下：\n 1 1 1 1\n");
int r = 0;
while (r < indata.size()) {
for (int i = 0; i < 4; i++)
//讀取數字放入陣列的第i個元素
x[i] = Integer.parseInt(indata.get(r).split(",", 5)[i + 1]);
x_in_B = bayes(x, catagory_B) * p_yB;
x_in_L = bayes(x, catagory_L) * p_yL;
x_in_R = bayes(x, catagory_R) * p_yR;
if (x_in_B == Math.max(Math.max(x_in_B, x_in_L), x_in_R)) {
System.out.println("輸入的第"+r+"樣本屬於類別：B");
sumB++;
if(indata.get(r).split(",",5)[0].equals("B"))
correct++;
} else if (x_in_L == Math.max(Math.max(x_in_B, x_in_L), x_in_R)) {
System.out.println("輸入的第"+r+"樣本屬於類別：L");
sumL++;
if(indata.get(r).split(",",5)[0].equals("L"))
correct++;
} else if (x_in_R == Math.max(Math.max(x_in_B, x_in_L), x_in_R)) {
System.out.println("輸入的第"+r+"樣本屬於類別：R");
sumR++;
if(indata.get(r).split(",",5)[0].equals("R"))
correct++;
}
r++;
}
System.out.println("使用訓練樣本進行分類器檢驗得到結果統計如下：");
System.out.println("R類有："+sumR+" 實際有R類樣本"+catagory_R.size()+"個");
System.out.println("L類有："+sumL+" 實際有L類樣本"+catagory_L.size()+"個");
System.out.println("B類有："+sumB+" 實際有B類樣本"+catagory_B.size()+"個");
System.out.println("分類的正確率為"+correct*1.0/indata.size()*100+"%");
}
}
（附件一）訓練樣本和測試樣本集：
B,1,1,1,1
R,1,1,1,2
R,1,1,1,3
R,1,1,1,4
R,1,1,1,5
R,1,1,2,1
R,1,1,2,2
R,1,1,2,3
R,1,1,2,4
R,1,1,2,5
R,1,1,3,1
R,1,1,3,2
R,1,1,3,3
R,1,1,3,4
R,1,1,3,5
R,1,1,4,1
R,1,1,4,2
R,1,1,4,3
R,1,1,4,4
R,1,1,4,5
R,1,1,5,1
R,1,1,5,2
R,1,1,5,3
R,1,1,5,4
R,1,1,5,5
L,1,2,1,1
B,1,2,1,2
R,1,2,1,3
R,1,2,1,4
R,1,2,1,5
B,1,2,2,1
R,1,2,2,2
R,1,2,2,3
R,1,2,2,4
R,1,2,2,5
R,1,2,3,1
R,1,2,3,2
R,1,2,3,3
R,1,2,3,4
R,1,2,3,5
R,1,2,4,1
R,1,2,4,2
R,1,2,4,3
R,1,2,4,4
R,1,2,4,5
R,1,2,5,1
R,1,2,5,2
R,1,2,5,3
R,1,2,5,4
R,1,2,5,5
L,1,3,1,1
L,1,3,1,2
B,1,3,1,3
R,1,3,1,4
R,1,3,1,5
L,1,3,2,1
R,1,3,2,2
R,1,3,2,3
R,1,3,2,4
R,1,3,2,5
B,1,3,3,1
R,1,3,3,2
R,1,3,3,3
R,1,3,3,4
R,1,3,3,5
R,1,3,4,1
R,1,3,4,2
R,1,3,4,3
R,1,3,4,4
R,1,3,4,5
R,1,3,5,1
R,1,3,5,2
R,1,3,5,3
R,1,3,5,4
R,1,3,5,5
L,1,4,1,1
L,1,4,1,2
L,1,4,1,3
B,1,4,1,4
R,1,4,1,5
L,1,4,2,1
B,1,4,2,2
R,1,4,2,3
R,1,4,2,4
R,1,4,2,5
L,1,4,3,1
R,1,4,3,2
R,1,4,3,3
R,1,4,3,4
R,1,4,3,5
B,1,4,4,1
R,1,4,4,2
R,1,4,4,3
R,1,4,4,4
R,1,4,4,5
R,1,4,5,1
R,1,4,5,2
R,1,4,5,3
R,1,4,5,4
R,1,4,5,5
L,1,5,1,1
L,1,5,1,2
L,1,5,1,3
L,1,5,1,4
B,1,5,1,5
L,1,5,2,1
L,1,5,2,2
R,1,5,2,3
R,1,5,2,4
R,1,5,2,5
L,1,5,3,1
R,1,5,3,2
R,1,5,3,3
R,1,5,3,4
R,1,5,3,5
L,1,5,4,1
R,1,5,4,2
R,1,5,4,3
R,1,5,4,4
R,1,5,4,5
B,1,5,5,1
R,1,5,5,2
R,1,5,5,3
R,1,5,5,4
R,1,5,5,5
L,2,1,1,1
B,2,1,1,2
R,2,1,1,3
R,2,1,1,4
R,2,1,1,5
B,2,1,2,1
R,2,1,2,2
R,2,1,2,3
R,2,1,2,4
R,2,1,2,5
R,2,1,3,1
R,2,1,3,2
R,2,1,3,3
R,2,1,3,4
R,2,1,3,5
R,2,1,4,1
R,2,1,4,2
R,2,1,4,3
R,2,1,4,4
R,2,1,4,5
R,2,1,5,1
R,2,1,5,2
R,2,1,5,3
R,2,1,5,4
R,2,1,5,5
L,2,2,1,1
L,2,2,1,2
L,2,2,1,3
B,2,2,1,4
R,2,2,1,5
L,2,2,2,1
B,2,2,2,2
R,2,2,2,3
R,2,2,2,4
R,2,2,2,5
L,2,2,3,1
R,2,2,3,2
R,2,2,3,3
R,2,2,3,4
R,2,2,3,5
B,2,2,4,1
R,2,2,4,2
R,2,2,4,3
R,2,2,4,4
R,2,2,4,5
R,2,2,5,1
R,2,2,5,2
R,2,2,5,3
R,2,2,5,4
R,2,2,5,5
L,2,3,1,1
L,2,3,1,2
L,2,3,1,3
L,2,3,1,4
L,2,3,1,5
L,2,3,2,1
L,2,3,2,2
B,2,3,2,3
R,2,3,2,4
R,2,3,2,5
L,2,3,3,1
B,2,3,3,2
R,2,3,3,3
R,2,3,3,4
R,2,3,3,5
L,2,3,4,1
R,2,3,4,2
R,2,3,4,3
R,2,3,4,4
R,2,3,4,5
L,2,3,5,1
R,2,3,5,2
R,2,3,5,3
R,2,3,5,4
R,2,3,5,5
L,2,4,1,1
L,2,4,1,2
L,2,4,1,3
L,2,4,1,4
L,2,4,1,5
L,2,4,2,1
L,2,4,2,2
L,2,4,2,3
B,2,4,2,4
R,2,4,2,5
L,2,4,3,1
L,2,4,3,2
R,2,4,3,3
R,2,4,3,4
R,2,4,3,5
L,2,4,4,1
B,2,4,4,2
R,2,4,4,3
R,2,4,4,4
R,2,4,4,5
L,2,4,5,1
R,2,4,5,2
R,2,4,5,3
R,2,4,5,4
R,2,4,5,5
L,2,5,1,1
L,2,5,1,2
L,2,5,1,3
L,2,5,1,4
L,2,5,1,5
L,2,5,2,1
L,2,5,2,2
L,2,5,2,3
L,2,5,2,4
B,2,5,2,5
L,2,5,3,1
L,2,5,3,2
L,2,5,3,3
R,2,5,3,4
R,2,5,3,5
L,2,5,4,1
L,2,5,4,2
R,2,5,4,3
R,2,5,4,4
R,2,5,4,5
L,2,5,5,1
B,2,5,5,2
R,2,5,5,3
R,2,5,5,4
R,2,5,5,5
L,3,1,1,1
L,3,1,1,2
B,3,1,1,3
R,3,1,1,4
R,3,1,1,5
L,3,1,2,1
R,3,1,2,2
R,3,1,2,3
R,3,1,2,4
R,3,1,2,5
B,3,1,3,1
R,3,1,3,2
R,3,1,3,3
R,3,1,3,4
R,3,1,3,5
R,3,1,4,1
R,3,1,4,2
R,3,1,4,3
R,3,1,4,4
R,3,1,4,5
R,3,1,5,1
R,3,1,5,2
R,3,1,5,3
R,3,1,5,4
R,3,1,5,5
L,3,2,1,1
L,3,2,1,2
L,3,2,1,3
L,3,2,1,4
L,3,2,1,5
L,3,2,2,1
L,3,2,2,2
B,3,2,2,3
R,3,2,2,4
R,3,2,2,5
L,3,2,3,1
B,3,2,3,2
R,3,2,3,3
R,3,2,3,4
R,3,2,3,5
L,3,2,4,1
R,3,2,4,2
R,3,2,4,3
R,3,2,4,4
R,3,2,4,5
L,3,2,5,1
R,3,2,5,2
R,3,2,5,3
R,3,2,5,4
R,3,2,5,5
L,3,3,1,1
L,3,3,1,2
L,3,3,1,3
L,3,3,1,4
L,3,3,1,5
L,3,3,2,1
L,3,3,2,2
L,3,3,2,3
L,3,3,2,4
R,3,3,2,5
L,3,3,3,1
L,3,3,3,2
B,3,3,3,3
R,3,3,3,4
R,3,3,3,5
L,3,3,4,1
L,3,3,4,2
R,3,3,4,3
R,3,3,4,4
R,3,3,4,5
L,3,3,5,1
R,3,3,5,2
R,3,3,5,3
R,3,3,5,4
R,3,3,5,5
L,3,4,1,1
L,3,4,1,2
L,3,4,1,3
L,3,4,1,4
L,3,4,1,5
L,3,4,2,1
L,3,4,2,2
L,3,4,2,3
L,3,4,2,4
L,3,4,2,5
L,3,4,3,1
L,3,4,3,2
L,3,4,3,3
B,3,4,3,4
R,3,4,3,5
L,3,4,4,1
L,3,4,4,2
B,3,4,4,3
R,3,4,4,4
R,3,4,4,5
L,3,4,5,1
L,3,4,5,2
R,3,4,5,3
R,3,4,5,4
R,3,4,5,5
L,3,5,1,1
L,3,5,1,2
L,3,5,1,3
L,3,5,1,4
L,3,5,1,5
L,3,5,2,1
L,3,5,2,2
L,3,5,2,3
L,3,5,2,4
L,3,5,2,5
L,3,5,3,1
L,3,5,3,2
L,3,5,3,3
L,3,5,3,4
B,3,5,3,5
L,3,5,4,1
L,3,5,4,2
L,3,5,4,3
R,3,5,4,4
R,3,5,4,5
L,3,5,5,1
L,3,5,5,2
B,3,5,5,3
R,3,5,5,4
R,3,5,5,5
L,4,1,1,1
L,4,1,1,2
L,4,1,1,3
B,4,1,1,4
R,4,1,1,5
L,4,1,2,1
B,4,1,2,2
R,4,1,2,3
R,4,1,2,4
R,4,1,2,5
L,4,1,3,1
R,4,1,3,2
R,4,1,3,3
R,4,1,3,4
R,4,1,3,5
B,4,1,4,1
R,4,1,4,2
R,4,1,4,3
R,4,1,4,4
R,4,1,4,5
R,4,1,5,1
R,4,1,5,2
R,4,1,5,3
R,4,1,5,4
R,4,1,5,5
L,4,2,1,1
L,4,2,1,2
L,4,2,1,3
L,4,2,1,4
L,4,2,1,5
L,4,2,2,1
L,4,2,2,2
L,4,2,2,3
B,4,2,2,4
R,4,2,2,5
L,4,2,3,1
L,4,2,3,2
R,4,2,3,3
R,4,2,3,4
R,4,2,3,5
L,4,2,4,1
B,4,2,4,2
R,4,2,4,3
R,4,2,4,4
R,4,2,4,5
L,4,2,5,1
R,4,2,5,2
R,4,2,5,3
R,4,2,5,4
R,4,2,5,5
L,4,3,1,1
L,4,3,1,2
L,4,3,1,3
L,4,3,1,4
L,4,3,1,5
L,4,3,2,1
L,4,3,2,2
L,4,3,2,3
L,4,3,2,4
L,4,3,2,5
L,4,3,3,1
L,4,3,3,2
L,4,3,3,3
B,4,3,3,4
R,4,3,3,5
L,4,3,4,1
L,4,3,4,2
B,4,3,4,3
R,4,3,4,4
R,4,3,4,5
L,4,3,5,1
L,4,3,5,2
R,4,3,5,3
R,4,3,5,4
R,4,3,5,5
L,4,4,1,1
L,4,4,1,2
L,4,4,1,3
L,4,4,1,4
L,4,4,1,5
L,4,4,2,1
L,4,4,2,2
L,4,4,2,3
L,4,4,2,4
L,4,4,2,5
L,4,4,3,1
L,4,4,3,2
L,4,4,3,3
L,4,4,3,4
L,4,4,3,5
L,4,4,4,1
L,4,4,4,2
L,4,4,4,3
B,4,4,4,4
R,4,4,4,5
L,4,4,5,1
L,4,4,5,2
L,4,4,5,3
R,4,4,5,4
R,4,4,5,5
L,4,5,1,1
L,4,5,1,2
L,4,5,1,3
L,4,5,1,4
L,4,5,1,5
L,4,5,2,1
L,4,5,2,2
L,4,5,2,3
L,4,5,2,4
L,4,5,2,5
L,4,5,3,1
L,4,5,3,2
L,4,5,3,3
L,4,5,3,4
L,4,5,3,5
L,4,5,4,1
L,4,5,4,2
L,4,5,4,3
L,4,5,4,4
B,4,5,4,5
L,4,5,5,1
L,4,5,5,2
L,4,5,5,3
B,4,5,5,4
R,4,5,5,5
L,5,1,1,1
L,5,1,1,2
L,5,1,1,3
L,5,1,1,4
B,5,1,1,5
L,5,1,2,1
L,5,1,2,2
R,5,1,2,3
R,5,1,2,4
R,5,1,2,5
L,5,1,3,1
R,5,1,3,2
R,5,1,3,3
R,5,1,3,4
R,5,1,3,5
L,5,1,4,1
R,5,1,4,2
R,5,1,4,3
R,5,1,4,4
R,5,1,4,5
B,5,1,5,1
R,5,1,5,2
R,5,1,5,3
R,5,1,5,4
R,5,1,5,5
L,5,2,1,1
L,5,2,1,2
L,5,2,1,3
L,5,2,1,4
L,5,2,1,5
L,5,2,2,1
L,5,2,2,2
L,5,2,2,3
L,5,2,2,4
B,5,2,2,5
L,5,2,3,1
L,5,2,3,2
L,5,2,3,3
R,5,2,3,4
R,5,2,3,5
L,5,2,4,1
L,5,2,4,2
R,5,2,4,3
R,5,2,4,4
R,5,2,4,5
L,5,2,5,1
B,5,2,5,2
R,5,2,5,3
R,5,2,5,4
R,5,2,5,5
L,5,3,1,1
L,5,3,1,2
L,5,3,1,3
L,5,3,1,4
L,5,3,1,5
L,5,3,2,1
L,5,3,2,2
L,5,3,2,3
L,5,3,2,4
L,5,3,2,5
L,5,3,3,1
L,5,3,3,2
L,5,3,3,3
L,5,3,3,4
B,5,3,3,5
L,5,3,4,1
L,5,3,4,2
L,5,3,4,3
R,5,3,4,4
R,5,3,4,5
L,5,3,5,1
L,5,3,5,2
B,5,3,5,3
R,5,3,5,4
R,5,3,5,5
L,5,4,1,1
L,5,4,1,2
L,5,4,1,3
L,5,4,1,4
L,5,4,1,5
L,5,4,2,1
L,5,4,2,2
L,5,4,2,3
L,5,4,2,4
L,5,4,2,5
L,5,4,3,1
L,5,4,3,2
L,5,4,3,3
L,5,4,3,4
L,5,4,3,5
L,5,4,4,1
L,5,4,4,2
L,5,4,4,3
L,5,4,4,4
B,5,4,4,5
L,5,4,5,1
L,5,4,5,2
L,5,4,5,3
B,5,4,5,4
R,5,4,5,5
L,5,5,1,1
L,5,5,1,2
L,5,5,1,3
L,5,5,1,4
L,5,5,1,5
L,5,5,2,1
L,5,5,2,2
L,5,5,2,3
L,5,5,2,4
L,5,5,2,5
L,5,5,3,1
L,5,5,3,2
L,5,5,3,3
L,5,5,3,4
L,5,5,3,5
L,5,5,4,1
L,5,5,4,2
L,5,5,4,3
L,5,5,4,4
L,5,5,4,5
L,5,5,5,1
L,5,5,5,2
L,5,5,5,3
L,5,5,5,4
B,5,5,5,5相關推薦
Java實現樸素貝葉斯分類器
實驗描述: 對指定資料集進行分類問題的分析，選擇適當的分類演算法，編寫程式實現，提交程式和結果報告 資料集： balance-scale.data（見附件一） ，已有資料集構建貝葉斯分類器。 資料包括四個屬性：五個屬性值 第一個屬性值表示樣本的類別號，其他四個屬性為四個不同
【機器學習實踐】用Python實現樸素貝葉斯分類器
閱讀學習了《機器學習》第7章的貝葉斯分類器後，為了加深理解和加強python的程式碼能力，因此嘗試使用Python實現樸素貝葉斯分類器，由於初學Python的緣故，程式碼的一些實現方法可能比較繁瑣，可閱讀性有待提高。程式碼如下： #import numpy a
機器學習及python實現——樸素貝葉斯分類器
問題引入 考慮構建一個垃圾郵件分類器，通過給定的垃圾郵件和非垃圾郵件的資料集，通過機器學習構建一個預測一個新的郵件是否是垃圾郵件的分類器。郵件分類器是通常的文字分類器中的一種。 樸素貝葉斯方法 貝葉斯假設 假設當前我們已經擁有了一批標識有是垃圾郵
Python實現樸素貝葉斯分類器
# -*-coding:utf-8-*- ''' 樸素貝葉斯演算法 ''' from __future__ import division global className className = "class" def calc_class(trai
OpenCV實現樸素貝葉斯分類器診斷病情
貝葉斯定理由英國數學家托馬斯.貝葉斯（Thomas Baves）在1763提出，因此得名貝葉斯定理。貝葉斯定理也稱貝葉斯推理，是關於隨機事件的條件概率的一則定理。 對於兩個事件A和B，事件A發生則B也
機器學習：貝葉斯分類器（二）——高斯樸素貝葉斯分類器代碼實現
mod ces 數據 大於等於 即使 平均值 方差 很多 mode 一 高斯樸素貝葉斯分類器代碼實現 網上搜索不調用sklearn實現的樸素貝葉斯分類器基本很少，即使有也是結合文本分類的多項式或伯努利類型，因此自己寫了一遍能直接封裝的高斯類型NB分類器，當然與真正的源碼相
分類——樸素貝葉斯分類器以及Python實現
核心思想： 根據訓練資料獲取模型的後驗概率，對應後驗概率越大的類即預測類。 演算法簡介： 模型： 先驗概率：p(y=Ck)p(y=Ck) 條件概率：p(X=x|y=Ck)p(X=x|y=Ck) 後驗概率：p(y=Ck|X=x)p(y=Ck|X=
機器學習實戰——python實現簡單的樸素貝葉斯分類器
基礎公式 貝葉斯定理：P(A|B) = P(B|A)*P(A)/P(B) 假設B1,B2…Bn彼此獨立，則有：P(B1xB2x…xBn|A) = P(B1|A)xP(B2|A)x…xP(Bn|A) 資料（虛構） A1 A2 A3 A4 A5 B
機器學習：樸素貝葉斯分類器程式碼實現，決策函式非向量化方式
文章目錄 樸素貝葉斯離散型的演算法描述： 程式碼實現： 實現一個NaiveBayes的基類，以便擴充套件： 實現離散型樸素貝葉斯MultiomialNB類： 實現從檔案中讀取資料： 測試資料： 程式碼測試：
樸素貝葉斯分類器：MATLAB工具箱實現
MATLAB工具箱的statistic toolbox中有naivebayes的類，可以直接使用。 使用預設的高斯分佈和混淆矩陣： >> load fisheriris >> O1 = fitNaiveBayes(meas,species); 生成
樸素貝葉斯分類器（Python實現）
基本思想： 樸素貝葉斯分類器，在當給出了特徵向量w情況下，分類為ci的條件概率p(ci | w)。 利用貝葉斯公式：p(ci | w) = p(w | ci) * p(ci) / p(w)，可以完成轉化，觀察公式可以發現分母p(w)都一樣，所以只要比較分子的
4.樸素貝葉斯分類器實現－matlab
實現樸素貝葉斯分類器，並且根據李航《統計機器學習》第四章提供的資料訓練與測試，結果與書中一致 分別實現了樸素貝葉斯以及帶有laplace平滑的樸素貝葉斯 %書中例題實現樸素貝葉斯 %特徵1的取值集合 A1=[1;2;3]; %特徵2的取值集合 A2=[4;5;6];%S M L AValue
樸素貝葉斯分類器簡單實現文字情感分析
樸素貝葉斯的一般過程： ① 收集資料：可以使用任何方法。 ② 準備資料：需要數值型或者布林型資料。 ③ 分析資料：有大量特徵時，繪製特徵作用不大，此時使用直方圖效果更好。 ④ 訓練演算法：計算不同的獨立特徵的條件概率。 ⑤ 測試演算法：計算錯誤率。 ⑥ 使用演算法：一個常見
機器學習之樸素貝葉斯分類器實現
問題如下 比如：有如下的需求，要判斷某一句英語是不是侮辱性語句 分析思路 對於機器來說，可能不容易分辨出某一句話是不是侮辱性的句子，但是機器可以機械的進行分析，何為機械的進行分析，就是判斷某一個句子中侮辱性的單詞是不是達到一定數量（當然這
樸素貝葉斯分類器實現成績等級預測
最近在學習機器學習相關的演算法，希望能通過筆記和做的小的Demo來鞏固一下所學的知識和演算法。 今天來講解一下樸素貝葉斯分類器，並利用樸素貝葉斯做一個簡單的成績等級預測。 貝葉斯決策論：在所有相關概率都已知的理想情形下，貝葉斯決策論考慮如何基於這些概
貝葉斯篇：貝葉斯的概率推到，樸素貝葉斯分類器及Python實現
在瞭解貝葉演算法前：要有一定的概率與數理統計基礎以及注意事項 條件概率 首先，理解這兩個公式的前提是理解條件概率，因此先複習條件概率。 P(A|B)=P(AB)P(B)P(A|B)=P(AB)P(B) 那麼由條件概率出發，看一下變形出來的乘法公式：
【機器學習算法-python實現】掃黃神器-樸素貝葉斯分類器的實現
github border release Language 出現 span bus pytho rds 版權聲明：本文為博主原創文章，未經博主同意不得轉載。 https://blog.c
javascript實現樸素貝葉斯分類與決策樹ID3分類
.com 訓練集 this ice map ive sum length roc 今年畢業時的畢設是有關大數據及機器學習的題目。因為那個時間已經步入前端的行業自然選擇使用JavaScript來實現其中具體的算法。雖然JavaScript不是做大數據處理的最佳語言，相比還沒有
機器學習系列——樸素貝葉斯分類器（二）
表示 -h line log ima 條件 code 樸素貝葉斯 spa 貝葉斯定理： 其中： 表示事件B已經發生的前提下，事件A發生的概率，叫做事件B發生下事件A的條件概率。其基本求解公式為：。 機器學習系列——樸素貝葉斯分類器（二）
樸素貝葉斯分類器的應用 Naive Bayes classifier
upload dia get 等號 分布 eat 實現 維基 5.5 一、病人分類的例子 讓我從一個例子開始講起，你會看到貝葉斯分類器很好懂，一點都不難。 某個醫院早上收了六個門診病人，如下表。 癥狀 職業 疾病 打噴嚏 護士 感冒 打噴嚏