朴素贝叶斯案例解析

这篇具有很好参考价值的文章主要介绍了朴素贝叶斯案例解析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

什么是贝叶斯

贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展,用来描述两个条件概率之间的关系,如下:
P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A|B) = \frac{P(B|A)P(A)}{P(B)} P(AB)=P(B)P(BA)P(A)
P(A):事件A发生的概率
P(B):事件B发生的概率
P(A|B):事件B发生的条件下(B已经发生),事件A发生的概率
P(B|A):事件A发生的条件下(A已经发生),事件B发生的概率

贝叶斯算例

案例一
一个例子,现分别有 A、B 两个容器,在容器 A 里分别有 7 个红球和 3 个白球,在容器 B 里有 1 个红球和 9 个白球,现已知从这两个容器里任意抽出了一个球,且是红球,问这个红球是来自容器 A 的概率是多少?

假设已经抽出红球为事件 B,选中容器 A 为事件 A,则有:P(B) = 8/20,P(A) = 1/2,P(B|A) = 7/10,按照公式,则有:
P(A|B) = (7/10)*(1/2) / (8/20) = 0.875

案例二
例如:一座别墅在过去的 20 年里一共发生过 2 次被盗,别墅的主人有一条狗,狗平均每周晚上叫 3 次,在盗贼入侵时狗叫的概率被估计为 0.9,问题是:在狗叫的时候发生入侵的概率是多少?

我们假设 A 事件为狗在晚上叫,B 为盗贼入侵,则以天为单位统计,P(A) = 3/7,P(B) = 2/(20365) = 2/7300,P(A|B) = 0.9,按照公式,则有:
P(B|A) = 0.9
(2/7300) / (3/7) = 0.00058

朴素贝叶斯实例讲解

案例介绍

现在给我们的问题是,如果一对男女朋友,男生向女生求婚,男生的四个特点分别是不帅,性格不好,身高矮,不上进,请你判断一下女生是嫁还是不嫁?
朴素贝叶斯案例解析

贝叶斯公式计算概率

嫁人的概率
朴素贝叶斯案例解析
这种情况比较少,你想这些不利条件,全让一个人赶上了,也是悲催啊~
你想这样的极品,在整个人群中,概率也是非常稀少的,我上学时,我们班一个也没有!

所以,上面的概率就相当不好算~

朴素贝叶斯公式转换

朴素贝叶斯案例解析

分子概率计算

P(嫁)概率?

整理上面数据,嫁的样本如下

朴素贝叶斯案例解析
则 p(嫁) = 6/12(总样本数) = 1/2

P(不帅|嫁)概率?

统计满足样本如下:
朴素贝叶斯案例解析

则p(不帅|嫁) = 3/6 = 1/2

P(性格不好|嫁)概率?

统计满足样本如下:
朴素贝叶斯案例解析
则p(性格不好|嫁)= 1/6

P(矮|嫁)概率?

统计满足样本如下:
朴素贝叶斯案例解析
则p(身高矮|嫁)= 1/6

P(不上进|嫁)概率?

朴素贝叶斯案例解析
则p(不上进|嫁)= 1/6

分母概率计算

P(不帅)、P(性格不好)、P(矮)、P(不上进)

朴素贝叶斯案例解析

p(不帅) = 5/12
p(性格不好) = 4/12 = 1/3
p(身高矮) = 7/12
p(不上进) = 5/12

计算嫁的概率

朴素贝叶斯案例解析
根据公式可得:
P ( 嫁 ∣ 不 帅 、 性 格 不 好 、 身 高 矮 、 不 上 进 ) = 1 / 2 × 1 / 6 × 1 / 6 × 1 / 6 × 1 / 2 5 / 12 × 1 / 3 × 7 / 12 × 5 / 12 = 0.0342857 \begin{aligned}P(嫁&|不帅、性格不好、身高矮、不上进) \\\\&= \frac{1/2 \times 1/6 \times 1/6 \times 1/6 \times 1/2}{5/12 \times 1/3 \times 7/12 \times 5/12}\\\\&=0.0342857\end{aligned} P()=5/12×1/3×7/12×5/121/2×1/6×1/6×1/6×1/2=0.0342857

计算不嫁的概率

下面我们根据同样的方法来求p(不嫁|不帅,性格不好,身高矮,不上进),完全一样的做法,为了方便理解,我这里也走一遍,帮助理解。首先公式如下:朴素贝叶斯案例解析

分母计算

首先分母是一样的:

p(不帅) = 5/12
p(性格不好) = 4/12 = 1/3
p(身高矮) = 7/12
p(不上进) = 5/12

分子计算

朴素贝叶斯案例解析
p(不嫁) = 6/12 = 1/2
p(不帅|不嫁) = 2/6 = 1/3
p(性格不好|不嫁) = 3/6 = 1/2
p(身高矮|不嫁) = 6/6 = 1
p(不上进|不嫁) = 4/6 = 2/3

根据公式计算如下:
朴素贝叶斯案例解析
P ( 不 嫁 ∣ 不 帅 、 性 格 不 好 、 身 高 矮 、 不 上 进 ) = 1 / 3 × 1 / 2 × 1 × 2 / 3 × 1 / 2 5 / 12 × 1 / 3 × 7 / 12 × 5 / 12 = 1.645714 \begin{aligned}P(不嫁&|不帅、性格不好、身高矮、不上进) \\\\&= \frac{1/3 \times 1/2 \times 1 \times 2/3 \times 1/2}{5/12 \times 1/3 \times 7/12 \times 5/12}\\\\&=1.645714\end{aligned} P()=5/12×1/3×7/12×5/121/3×1/2×1×2/3×1/2=1.645714

结论

P(不嫁|条件) = 1.645714 > P(嫁|条件) = 0.0342857
万万使不得!

后话:
为什么古装剧里总是有美女会对恩人说:“小女子无以为报,唯有以身相许”,古代真的存在这种现象吗?
扯淡,那是因为她喜欢他(人高八尺,玉树临风)。要是不喜欢(矮大紧),她就会说:“小女子无以为报,唯有来生做牛做马再报答你了。”文章来源地址https://www.toymoban.com/news/detail-442376.html

到了这里,关于朴素贝叶斯案例解析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【机器学习 | 朴素贝叶斯】朴素贝叶斯算法:概率统计方法之王,简单有效的数据分类利器

    🤵‍♂️ 个人主页: @AI_magician 📡主页地址: 作者简介:CSDN内容合伙人,全栈领域优质创作者。 👨‍💻景愿:旨在于能和更多的热爱计算机的伙伴一起成长!!🐱‍🏍 🙋‍♂️声明:本人目前大学就读于大二,研究兴趣方向人工智能硬件(虽然硬件还没开始玩,但一直

    2024年02月15日
    浏览(56)
  • 机器学习朴素贝叶斯笔记

    朴素贝叶斯(Naive Bayes)是一种基于贝叶斯定理和特征独立性假设的简单但有效的分类算法。它常用于文本分类、垃圾邮件过滤和情感分析等任务。下面我将详细解释朴素贝叶斯的原理和步骤。 首先,我们需要了解几个重要的概念: 贝叶斯定理(Bayes\\\' theorem):贝叶斯定理是

    2024年02月15日
    浏览(41)
  • 朴素贝叶斯(垃圾邮件分类)

      朴素贝叶斯是经典的机器学习算法之一,也是为数不多的基于概率论的分类算法。对于大多数的分类算法,在所有的机器学习分类算法中,朴素贝叶斯和其他绝大多数的分类算法都不同。比如决策树,KNN,逻辑回归,支持向量机等,他们都是判别方法,也就是直接学习出特

    2024年02月07日
    浏览(50)
  • 【朴素贝叶斯-新闻主题分类】

    朴素贝叶斯算法是一种常用的文本分类方法,特别适用于自然语言处理任务,如新闻分类。在这篇博客中,我们将使用Python的scikit-learn库来实现朴素贝叶斯算法,并将其应用于新闻分类任务。 首先,我们需要下载新闻数据集并进行数据准备。在这里,我们使用scikit-learn中的

    2024年02月15日
    浏览(27)
  • 【朴素贝叶斯算法】

    贝叶斯定理简介 贝叶斯定理是朴素贝叶斯算法的基础,它是一种概率理论,用于计算在给定一些条件下,另一些条件的概率。贝叶斯定理的核心思想是通过已知的信息来更新对未知事件的概率估计。 在贝叶斯定理中,我们用P(A|B)表示在事件B发生的条件下事件A发生的概率。它

    2024年02月15日
    浏览(32)
  • 朴素贝叶斯算法的介绍

    一、朴素贝叶斯算法的介绍 1.什么是朴素贝叶斯算法? 朴素贝叶斯算法(Naive Bayes Algorithm)是一种基于贝叶斯定理和特征独立性假设的概率分类算法。它被广泛应用于文本分类、垃圾邮件过滤、情感分析等任务。 朴素贝叶斯算法的 基本思想是基于训练数据中的特征和标签之

    2024年02月07日
    浏览(38)
  • 朴素贝叶斯算法

      NaïveBayes算法,又叫朴素贝叶斯算法。   朴素:特征条件独立;   贝叶斯:基于贝叶斯定理。属于监督学习的生成模型,实现简单,没有迭代,并有坚实的数学理论(即贝叶斯定理)作为支撑。在大量样本下会有较好的表现,不适用于输入向量的特征条件有关联的场景

    2024年02月09日
    浏览(38)
  • 朴素贝叶斯数据分类------

    E:myprogramanacondaenvspython3.6python.exe E:/xxxxxx/01_朴素贝叶斯鸢尾花数据分类.py [1.0, 0.23333333333333334, 0.6] ================================================== [0.95, 0.35833333333333334, 0.725] Process finished with exit code 0

    2024年02月09日
    浏览(30)
  • 朴素贝叶斯模型

    朴素贝叶斯是一种用先验概率估计后验概率的模型,通过估计先验概率得到样本和类别的近似联合概率,随后通过联合概率分布获得需要的后验概率分布进而实现分类。本次介绍的朴素贝叶斯法主要包括三块:总体思想(将后验概率转换为先验概率)、极大似然估计(使用极大似

    2024年03月13日
    浏览(36)
  • 机器学习算法——贝叶斯分类器3(朴素贝叶斯分类器)

    基于贝叶斯公式来估计后验概率P(c|x)的主要困难在于:类条件概率P(x|c)是所有属性上的联合概率,难以从有限的训练样本直接估计而得。 为避开这个障碍,朴素贝叶斯分类器(Naive Bayes classfier)采用了“ 属性条件独立性假设 ”:对已知类别,假设所有属性相互独立。换句话

    2023年04月22日
    浏览(58)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包