1.理解分类与监督学习、聚类与无监督学习。 简述分类与聚类的联系与区别？ 分类与聚类：是把某个对象划分到某个具体的已经定义的类别当中，而聚类是把一些对象按照具体特征组织到若干个类别里。 虽然都是把某个对象划分到某个类别中，但是分类的类别是已经预定义的，而聚类操作时，某个对象所属的类别 却不是预定义的 ...
分类：
编程语言 时间：
2018-11-18 10:20:10
阅读次数：
238
1.理解分类与监督学习、聚类与无监督学习 1）、简述分类与聚类的联系与区别。 分类——分类是根据文本的特征或属性，划分到已有的类别中。也就是说，这些类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。 聚类——聚类是事先不知道数据会分为几类，通过分析将数 ...
分类：
编程语言 时间：
2018-11-18 10:17:44
阅读次数：
260
一 朴素贝叶斯算法 1. 简介 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。 2. 基本思想 (1 ...
分类：
其他好文 时间：
2018-11-18 00:44:09
阅读次数：
342
环境 win8, python3.7, jupyter notebook 正文 什么是情感分析?(以下引用百度百科定义) 情感分析（Sentiment analysis），又称倾向性分析，意见抽取（Opinion extraction），意见挖掘（Opinion mining），情感挖掘（Senti ...
分类：
编程语言 时间：
2018-11-16 14:00:17
阅读次数：
227
一、线性回归1.线性回归：一种用于预测数值数据的非常有效的算法。 假设直线为y=w1x+w2；点为(p,q)。调整直线的技巧：1)绝对值技巧：如果点在直线上方，y=(w1+pɑ)x+(w2+ɑ)，其中ɑ为学习速率。点在直线下方，y=(w1-pɑ)x+(w2-ɑ)。p存在的原因：a.如果点不在y轴的右 ...
分类：
其他好文 时间：
2018-11-14 22:26:56
阅读次数：
283
朴素贝叶斯算法 文本分类模型 在结束生成算法模型之前，我们将一种专门用于文本分类的算法。对于分类问题，朴素贝叶斯算法通常效果很好，而对于文本分类而言，则有更好的模型。 对于文本分类，之前提到的朴素贝叶斯算法又称之为多元伯努力事件模型(multi-variate Bernoulli event mod... ...
分类：
编程语言 时间：
2018-11-04 17:00:07
阅读次数：
284
分类器可能产生错误分类，要求分类器给出一个最优的类别猜测结果并给出这个猜测的概率估计值。 朴素贝叶斯的特点： 优点：在数据较少的情况下依然有效，可以处理多类别问题； 缺点：对于输入数据的准备方式较为敏感； 适用数据类型：标称型数据 条件概率：在A条件下发生B结果的概率： P(B|A) = P(A&B ...
分类：
其他好文 时间：
2018-10-27 00:11:16
阅读次数：
182
贝叶斯法则 机器学习的任务：在给定训练数据D时，确定假设空间H中的最佳假设。 最佳假设：一种方法是把它定义为在给定数据D以及H中不同假设的先验概率的有关知识下的最可能假设 贝叶斯理论提供了一种计算假设概率的方法，基于假设的先验概率、给定假设下观察到不同数据的概率以及观察到的数据本身 先验概率和后验概 ...
分类：
其他好文 时间：
2018-10-24 15:44:07
阅读次数：
112
1 准备知识：条件概率公式 相信学过概率论的同学对于概率论绝对不会陌生，如果一时觉得生疏，可以查阅相关资料，在这里主要是想贴出条件概率的计算公式： P(A|B)=P(A,B)/P(B)=P(B|A)*P(A)/P(B) 2 如何使用条件概率进行分类 假设这里要被分类的类别有两类，类c1和类c2，那么 ...
分类：
其他好文 时间：
2018-10-24 15:43:42
阅读次数：
175
1、朴素贝叶斯 NB 三大概率 1、条件概率 Ω是全集，A、B是其中的事件（子集），p是事件发生的概率，则：p(A | B) = p(AB) / p(B)，事件B发生，A发生的概率 2、全概率公式 3、贝叶斯公式 文本分类系统核心公式 ...
分类：
其他好文 时间：
2018-10-21 21:45:47
阅读次数：
136
