樸素貝葉斯演算法應用

『壹』 樸素貝葉斯的定義

學過概率的同學一定都知道貝葉斯定理：
這個在250多年前發明的演算法，在信息領域內有著無與倫比的地位。貝葉斯分類是一系列分類演算法的總稱，這類演算法均以貝葉斯定理為基礎，故統稱為貝葉斯分類。樸素貝葉斯演算法（Naive Bayesian) 是其中應用最為廣泛的分類演算法之一。
樸素貝葉斯分類器基於一個簡單的假定：給定目標值時屬性之間相互條件獨立。
通過以上定理和「樸素」的假定，我們知道：
P( Category | Document) = P ( Document | Category ) * P( Category) / P(Document)

『貳』 貝葉斯分類演算法在數據挖掘中有什麼應用

一般用樸素貝葉斯利用先驗概率求解實際概率，進行預測和分類。
分類應用多了去了，最有名的就是信用評價了吧~

貝葉斯就那點東西，沒啥可研究的了。。。

搞概率相關的話模糊邏輯可能容易出點東西~

『叄』 樸素貝葉斯演算法的原理是什麼

樸素貝葉斯分類（NBC）是以貝葉斯定理為基礎並且假設特徵條件之間相互獨立的方法，以特徵詞之間獨立作為前提假設，學習從輸入到輸出的聯合概率分布，再基於學習到的模型。

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。

最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBM）。和決策樹模型相比，樸素貝葉斯分類器(Naive Bayes Classifier 或 NBC)發源於古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。

同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，演算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。

樸素貝葉斯演算法（Naive Bayesian algorithm) 是應用最為廣泛的分類演算法之一。

樸素貝葉斯方法是在貝葉斯演算法的基礎上進行了相應的簡化，即假定給定目標值時屬性之間相互條件獨立。也就是說沒有哪個屬性變數對於決策結果來說佔有著較大的比重，也沒有哪個屬性變數對於決策結果佔有著較小的比重。

雖然這個簡化方式在一定程度上降低了貝葉斯分類演算法的分類效果，但是在實際的應用場景中，極大地簡化了貝葉斯方法的復雜性。

『肆』 樸素貝葉斯的推理學習演算法

樸素貝葉斯的推理學習演算法
貝葉斯公式簡易推導式：
樸素貝葉斯的樸素在於假設B特徵的每個值相互獨立，所以樸素貝葉斯的公式是這樣的
學習與分類演算法：
(1)計算先驗概率和條件概率
拉普拉斯平滑：
（2）代入被測樣本向量，得到不同類別P，再根據後驗概率最大化，取P最大的類別作為該標簽類別。
樸素貝葉斯優點在於對於小規模數據很好，適合多分類。缺點是數據輸入形式敏感而且特徵值之間的相互獨立很難保證帶來的影響。

『伍』 樸素貝葉斯的應用

和決策樹模型相比，樸素貝葉斯分類器(Naive Bayes Classifier,或 NBC)發源於古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，演算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。
解決這個問題的方法一般是建立一個屬性模型,對於不相互獨立的屬性,把他們單獨處理。例如中文文本分類識別的時候，我們可以建立一個字典來處理一些片語。如果發現特定的問題中存在特殊的模式屬性，那麼就單獨處理。
這樣做也符合貝葉斯概率原理，因為我們把一個片語看作一個單獨的模式，例如英文文本處理一些長度不等的單詞，也都作為單獨獨立的模式進行處理，這是自然語言與其他分類識別問題的不同點。
實際計算先驗概率時候，因為這些模式都是作為概率被程序計算，而不是自然語言被人來理解，所以結果是一樣的。
在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。但這點有待驗證，因為具體的問題不同，演算法得出的結果不同，同一個演算法對於同一個問題，只要模式發生變化，也存在不同的識別性能。這點在很多國外論文中已經得到公認，在機器學習一書中也提到過演算法對於屬性的識別情況決定於很多因素，例如訓練樣本和測試樣本的比例影響演算法的性能。
決策樹對於文本分類識別，要看具體情況。在屬性相關性較小時，NBC模型的性能稍微良好。屬性相關性較小的時候，其他的演算法性能也很好，這是由於信息熵理論決定的。

『陸』 樸素貝葉斯演算法應用在哪

文本分類方面用的比較多

『柒』 樸素貝葉斯演算法 K Nearest Neighbor演算法 K-Means 演算法 具體應用環境有什麼區別

Naive Bayes和K-NN是分類演算法，有監督訓練樣本，都比較快
樣本少，特徵之間接近獨立分布的時候建議用Naive Bayes，通常就用正態分布最大似然估計特徵概率
樣本多的時候建議用K-NN，不過距離測度沒有通用的最好選擇

K-Means是無監督的聚類演算法，沒樣本的時候就用這個，速度相當慢，還是離線的

『捌』 樸素貝葉斯演算法不是可以直接分類，為什麼還要機器學習

樸素貝葉斯本來就是機器學習里的一種分類器，而且只是生成模型中的一類。
是生成模型的話，你得假設分布。」樸素「的話還得有獨立性假設。結果如何和這些假設是否准確都有關系。總體來說生成模型假陽性率和效率也都一般般。
再者，給定圖像的像素值，你覺得直接用這個特徵來建表訓練樸素貝葉斯的可行性如何？我覺得幾乎沒有可行性。相比起自己設計圖像類數據的特徵提取，深度卷積完全不需要管這一步所以至少圖像方面深度學習目前的優勢是毋庸置疑的。

樸素貝葉斯目前也就在自然語言之類的方面有不錯的應用吧。

『玖』 樸素貝葉斯分類原理

貝葉斯分類演算法是統計學的一種分類方法，它是一類利用概率統計知識進行分類的演算法。在許多場合，樸素貝葉斯(Naïve Bayes，NB)分類演算法可以與決策樹和神經網路分類演算法相媲美，該演算法能運用到大型資料庫中，而且方法簡單、分類准確率高、速度快。

由於貝葉斯定理假設一個屬性值對給定類的影響獨立於其它屬性的值，而此假設在實際情況中經常是不成立的，因此其分類准確率可能會下降。

『拾』 為什麼樸素貝葉斯稱為「樸素」請簡述樸素貝葉斯分類的主要思想

樸素貝葉斯分類器是一種應用基於獨立假設的貝葉斯定理的簡單概率分類器，之所以成為樸素，應該是Naive的直譯，意思為簡單，樸素，天真。

1、貝葉斯方法

貝葉斯方法是以貝葉斯原理為基礎，使用概率統計的知識對樣本數據集進行分類。由於其有著堅實的數學基礎，貝葉斯分類演算法的誤判率是很低的。

貝葉斯方法的特點是結合先驗概率和後驗概率，即避免了只使用先驗概率的主觀偏見，也避免了單獨使用樣本信息的過擬合現象。貝葉斯分類演算法在數據集較大的情況下表現出較高的准確率，同時演算法本身也比較簡單。

2、樸素貝葉斯演算法

樸素貝葉斯演算法（Naive Bayesian algorithm) 是應用最為廣泛的分類演算法之一。

樸素貝葉斯方法是在貝葉斯演算法的基礎上進行了相應的簡化，即假定給定目標值時屬性之間相互條件獨立。也就是說沒有哪個屬性變數對於決策結果來說佔有著較大的比重，也沒有哪個屬性變數對於決策結果佔有著較小的比重。

雖然這個簡化方式在一定程度上降低了貝葉斯分類演算法的分類效果，但是在實際的應用場景中，極大地簡化了貝葉斯方法的復雜性。

(10)樸素貝葉斯演算法應用擴展閱讀

研究意義

人們根據不確定性信息作出推理和決策需要對各種結論的概率作出估計，這類推理稱為概率推理。概率推理既是概率學和邏輯學的研究對象，也是心理學的研究對象，但研究的角度是不同的。概率學和邏輯學研究的是客觀概率推算的公式或規則。

而心理學研究人們主觀概率估計的認知加工過程規律。貝葉斯推理的問題是條件概率推理問題，這一領域的探討對揭示人們對概率信息的認知加工過程與規律、指導人們進行有效的學習和判斷決策都具有十分重要的理論意義和實踐意義。