Open carlos9310 opened 5 years ago
https://carlos9310.github.io/2019/07/03/NB/
总结在所有的机器学习分类算法中，朴素贝叶斯和其他绝大多数的分类算法都不同。对于大多数分类算法，如决策树、KNN、逻辑回归、支持向量机等，它们都是判别方法，即直接学习出特征输出$Y$和特征$X$间的关系。(要么是决策函数$Y=f(X)$，要么是条件分布$P(Y|X)$)但朴素贝叶斯却是生成方法，即通过先验概率分布$P(Y)$和条件概率分布$P(X|Y)$，求出类别$Y$和特征$X$的联合分布$P(X,Y)=P(X|Y)P(Y)$，然后利用贝叶斯公式求出类别的后验概率分布$P(Y|X)$，概率最大的那个类别就是样本所属的类别。[$P\left( Y|X \right) =\frac{P\left( X,Y \right)}{P\left( X \right)}$]
https://carlos9310.github.io/2019/07/03/NB/
总结在所有的机器学习分类算法中，朴素贝叶斯和其他绝大多数的分类算法都不同。对于大多数分类算法，如决策树、KNN、逻辑回归、支持向量机等，它们都是判别方法，即直接学习出特征输出$Y$和特征$X$间的关系。(要么是决策函数$Y=f(X)$，要么是条件分布$P(Y|X)$)但朴素贝叶斯却是生成方法，即通过先验概率分布$P(Y)$和条件概率分布$P(X|Y)$，求出类别$Y$和特征$X$的联合分布$P(X,Y)=P(X|Y)P(Y)$，然后利用贝叶斯公式求出类别的后验概率分布$P(Y|X)$，概率最大的那个类别就是样本所属的类别。[$P\left( Y|X \right) =\frac{P\left( X,Y \right)}{P\left( X \right)}$]