朴素贝叶斯分类器

朴素贝叶斯分类器

• 1、分类概念
• 2、朴素贝叶斯分类
• • 2.1 贝叶斯定理
  • 2.2 极大后验假设
  • 2.3 多维属性的联合概率
  • 2.4 独立性假设
• 3、贝叶斯分类案例
• 4、连续数据如何求概率
• 5、朴素贝叶斯分类器的特点
• 6、贝叶斯算法实现鸢尾花分类
• • 6.1 鸢尾花介绍
  • 6.2 分类代码

1、分类概念

  分类是找出描述和区分数据类或概念的模型，以便使用模型预测类标号未知的对象类标号。

  分类一般分为两个阶段：

• 学习阶段：
  • 建立描述预先定义的数据类或概念集的分类器。
  • 训练集提供了每个训练元组的类标号，分类的学习过程也称为监督学习。
• 分类阶段：使用定义好的分类器进行分类的过程。

  分类与预测是不同的概念，分类是预测分类(离散、无序)标号，而数值预测是建立连续值函数模型。分类与具类也是不同的概念，分类是