22.贝叶斯网络实践.pdfVIP

法律声明  本课件包括演示文稿、示例、代码、题库、视频和 声音等内容，小象学院和主讲老师拥有完全知识产 权的权利；只限于善意学习者在本课程使用，不得 在课程范围外向任何第三方散播。任何其他人或机 构不得盗版、复制、仿造其中的创意及内容，我们 保留一切通过法律手段追究违反者的权利。  课程详情请咨询  微信公众号：小象  新浪微博：ChinaHadoop 互联网新技术在线教育领航者 1/27 贝叶斯网络实践 邹博 主要内容  朴素贝叶斯的推导和应用  使用马尔科夫模型计算临近点概率  文本数据的处理流程  使用TF-IDF得到文本特征  Word2vec 的使用 互联网新技术在线教育领航者 3/27 GaussianNB 互联网新技术在线教育领航者 4/27 GaussianNB / MultinomialNB 互联网新技术在线教育领航者 5/27 朴素贝叶斯的假设  一个特征出现的概率，与其他特征(条件)独 立(特征独立性)  其实是：对于给定分类的条件下，特征独立  每个特征同等重要(特征均衡性) 互联网新技术在线教育领航者 6/27 朴素贝叶斯的推导  朴素贝叶斯(Naive Bayes ，NB) 是基于“特征 之间是独立的”这一朴素假设，应用贝叶斯 定理的监督学习算法。  对于给定的特征向量x ,x ,,x 1 2 n  类别y 的概率可以根据贝叶斯公式得到：     P y P x ,x ,,x | y   1 2 n P y | x ,x ,,x 1 2 n   P x ,x ,,x 1 2 n 互联网新技术在线教育领航者 7/27 朴素贝叶斯的推导  使用朴素的独立性假设：     P x | y ,x ,,x ,x ,,x P x | y i 1 i1 i1 n i  类别y 的概率可简化为： n         P y P xi | y P y P x ,x , ,x | y