当前位置:   article > 正文

机器学习sklearn-朴素贝叶斯_sklearn包中的朴素贝叶斯

sklearn包中的朴素贝叶斯

目录

概述

sklearn中的朴素贝叶斯

 高斯朴素贝叶斯


概述

算法得出的结论,永远不是 100% 确定的,更多的是判断出了一种 样本的标签更可能是某类的可能
,而非一种 确定 ”。
我们通过某些规定,比如说,在决策树的叶子节点上占比较多的标签,就是叶子节点上所有
样本的标签,来强行让算法为我们返回一个固定结果。但许多时候,我们也希望能够理解算法判断出的可能性本身。
每种算法使用不同的指标来衡量这种可能性。比如说,决策树使用的就是叶子节点上占比较多的标签所占的比例(接口predict_proba 调用),逻辑回归使用的是 sigmoid 函数压缩后的似然(接口 predict_proba 调用),而 SVM 使用的是样本点到决策边界的距离(接口decision_function 调用)。但这些指标的本质,其实都是一种 类概率 的表示,我们可以通过归一化或sigmoid 函数将这些指标压缩到 0~1 之间,让他们表示我们的模型对预测的结果究竟有多大的把握(置信度)。但无论如何,我们都希望使用真正的概率来衡量可能性,因此就有了真正的概率算法:朴素贝叶斯。
朴素贝叶斯是一种直接衡量标签和特征之间的概率关系的有监督学习算法ÿ
声明:本文内容由网友自发贡献,转载请注明出处:【wpsshop博客】
推荐阅读
相关标签
  

闽ICP备14008679号