Naive Bayerian Classification
贝叶斯假设条件： 1、每个属性同等重要。 2、每个属性在统计上都是独立的。 3、比较prefer类别型字段。预测类别形态数据。 优点 以前的数据可以丢掉，一直更新。很快的训练。 注意事项： 1、处理0的问题：每个类别加0.5。在weka中以1进行计数。 案例：预测患者的疾病。 2、若连续性数据，要离散化。 3、missing data 的处理视而不见，根据有值的部分进行预测。 4、数值型字段的处理
相关文章
- 1. Naive Bayes text classification
- 2. Supervised Learning-----Naive Bayes Classification
- 3. [ML] Naive Bayes for Text Classification
- 4. 2 ways of using Naive Bayes classification for numeric attributes
- 5. 朴素贝叶斯分类算法（Naive Bayesian classification）
- 6. 分类算法之朴素贝叶斯分类（Naive Bayesian Classification）
- 7. 朴素贝叶斯分类(Naive Bayesian classification)及其python实现
- 8. Machine Learning—Naive Bayesian classification（朴素贝叶斯分类）
- 9. 【论文笔记】Naive Gabor Networks for Hyperspectral Image Classification
- 10. 分类算法之朴素贝叶斯(Naive Bayesian classification)
- 更多相关文章...
- • R 包 - R 语言教程
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Naive Bayes text classification
- 2. Supervised Learning-----Naive Bayes Classification
- 3. [ML] Naive Bayes for Text Classification
- 4. 2 ways of using Naive Bayes classification for numeric attributes
- 5. 朴素贝叶斯分类算法（Naive Bayesian classification）
- 6. 分类算法之朴素贝叶斯分类（Naive Bayesian Classification）
- 7. 朴素贝叶斯分类(Naive Bayesian classification)及其python实现
- 8. Machine Learning—Naive Bayesian classification（朴素贝叶斯分类）
- 9. 【论文笔记】Naive Gabor Networks for Hyperspectral Image Classification
- 10. 分类算法之朴素贝叶斯(Naive Bayesian classification)