主要内容：1、动机2、基于朴素贝叶斯的文本分类器3、python实现一、动机之前介绍的朴素贝叶斯分类器所使用的都是结构化的数据集，即每行代表一个样本，每列代表一个特征属性。但在实际中，尤其是网页中，爬虫所采集到的数据都是非结构化的，如新闻、微博、帖子等，如果要对对这一类数据进行分类，应该怎么办呢？例...
分类：
其他好文 时间：
2015-10-06 16:41:21
阅读次数：
370
贝叶斯定理是统计学的一种分类的方法最简单的贝叶斯分类方法称为朴素贝叶斯分类的方法朴素贝叶斯法的一个重要条件是即一个属性值对分类的影响独立于其他属性值 也称为类条件独立性p(H|X)=p(X|H)P(H)/P(X) 其中已经知道后者求前者，。即是后验=似然X先验/证据因子朴素贝叶斯方法易于实现 ，而....
分类：
其他好文 时间：
2015-10-05 15:32:37
阅读次数：
269
分类用于预测数据对象的离散类别，预测则用于预断 欺诈检测等的方面。具有代表性的分类的方法 ：决策树方法 贝叶斯分类方法 神经网络方法 支持向量机方法 关联分类的方法 最后 将讨论提高分类和预测期准确率的一般性的策略分类的过程一般是有两个步骤组成的 第一个步骤是模型建立阶段，目的是描述预先定义的数据类...
分类：
其他好文 时间：
2015-10-05 14:15:29
阅读次数：
203
概率是许多机器学习算法的基础，在前面生成决策树的过程中使用了一小部分关于概率的知识，即统计特征在数据集中取某个特定值的次数，然后除以数据集的实例总数，得到特征取该值的概率。之前的基础实验中简单实现了朴素贝叶斯分类器，并正确执行了文本分类，这一节将贝叶斯运用到实际场景，垃圾邮件过滤这一实际应用。...
分类：
其他好文 时间：
2015-09-15 00:18:48
阅读次数：
232
朴素贝叶斯分类器是基于贝叶斯理论中属性独立假设而创造的一种算法。算法思路简单：只要是哪个类的后验概率大待测样本即为该类别。所谓后验概率就是在给定条件发生的情况下，该样本被判定为某个类别的概率。后验概率P(Y|X)表示在属性集合X（X1,X2,...,Xn）发生的条件下Y类别发..
分类：
编程语言 时间：
2015-09-08 20:22:07
阅读次数：
249
本文在对朴素贝叶斯分类进行了简单介绍之后，用Python编程实现。
分类：
其他好文 时间：
2015-09-02 22:02:49
阅读次数：
201
朴素贝叶斯是一个很不错的分类器，在使用朴素贝叶斯分类器划分邮件有关于朴素贝叶斯的简单介绍。若一个样本有n个特征，分别用x1,x2,...,xn表示，将其划分到类yk的可能性P(yk|x1,x2,...,xn)为：P(yk|x1,x2,...,xn)=P(yk)∏ni=1P(xi|yk)上式中等号右侧...
分类：
其他好文 时间：
2015-08-26 15:24:29
阅读次数：
188
这个系列是为了应对找工作面试时面试官问的算法问题，所以只是也谢算法的简要介绍，后期会陆续补充关于此算法的常见面试的问题！
贝叶斯分类器的原理其实很简单，知道了贝叶斯公式基本上就知道了贝叶斯分类器的工作原理。对于一个待分类项，求出此项出现的条件下哪个类别的概率大，就判定为哪类，仅次而已。其实贝叶斯分类器是建立在错误的理论上建立起来的分类器，没错就是错误的理论，它假定事物之间是没有联系的...
分类：
编程语言 时间：
2015-08-25 16:40:06
阅读次数：
175
NLTK是Python的一个自然语言处理的模块，其中实现了朴素贝叶斯分类算法。以下，就使用上一篇文中提到的数据，来应用这个模块实现朴素贝叶斯分类。NLTK的实现更加泛化，所以在应用到我们的数据上时需要做一点的转化。
首先来看一下NLTK官方文档中给出的一个简单明了的例子，在了解这个例子之后，再设法将同样的模型应用到自己的数据集上。官方给出的例子是英文名中，在知道名字中最后一个字母后，判断...
分类：
其他好文 时间：
2015-08-10 20:10:15
阅读次数：
651
这篇是计算机类的优质预售推荐>>>>《机器学习实践
测试驱动的开发方法》
用测试驱动方法开发出可靠、稳定的机器学习算法。
编辑推荐
本书介绍在开发机器学习算法时如何运用测试驱动的方法，捕捉可能扰乱正常分析的错误。这本实践指南从测试驱动开发和机器学习的基本原理讲起，展示了如何将测试驱动开发运用于若干机器学习算法，包括朴素贝叶斯分类器和神经网络。
任何机器学习算法都有...
分类：
其他好文 时间：
2015-08-06 16:58:01
阅读次数：
137
