zoukankan      html  css  js  c++  java
  • 朴素贝叶斯举例(离散型)

    病人分类的例子

    让我从一个例子开始讲起,你会看到贝叶斯分类器很好懂,一点都不难。

    某个医院早上收了六个门诊病人,如下表。

      症状  职业   疾病

      打喷嚏 护士   感冒 
      打喷嚏 农夫   过敏 
      头痛  建筑工人 脑震荡 
      头痛  建筑工人 感冒 
      打喷嚏 教师   感冒 
      头痛  教师   脑震荡

    现在又来了第七个病人,是一个打喷嚏的建筑工人。请问他患上感冒的概率有多大?

    根据贝叶斯定理

     P(A|B) = P(B|A) P(A) / P(B)

    可得

       P(感冒|打喷嚏x建筑工人) 
        = P(打喷嚏x建筑工人|感冒) x P(感冒) 
        / P(打喷嚏x建筑工人)

    假定"打喷嚏"和"建筑工人"这两个特征是独立的,因此,上面的等式就变成了

       P(感冒|打喷嚏x建筑工人) 
        = P(打喷嚏|感冒) x P(建筑工人|感冒) x P(感冒) 
        / P(打喷嚏) x P(建筑工人)

    这是可以计算的。

      P(感冒|打喷嚏x建筑工人) 
        = 0.66 x 0.33 x 0.5 / 0.5 x 0.33 
        = 0.66

    因此,这个打喷嚏的建筑工人,有66%的概率是得了感冒。同理,可以计算这个病人患上过敏或脑震荡的概率。比较这几个概率,就可以知道他最可能得什么病。

    这就是贝叶斯分类器的基本方法:在统计资料的基础上,依据某些特征,计算各个类别的概率,从而实现分类。

    摘抄:http://www.ruanyifeng.com/blog/2013/12/naive_bayes_classifier.html

    个人感觉这个例子很形象

  • 相关阅读:
    交换变量方法总结
    Java Object Model(一)
    Git命令文本手册
    移动端浏览器touch事件的研究总结
    jQuery中的end()方法
    AngularJs开发——控制器间的通信
    网站收藏
    HTTP Content-type 对照表
    ViewData和ViewBag的那些事
    jQuery选择器
  • 原文地址:https://www.cnblogs.com/lgwdx/p/13585628.html
Copyright © 2011-2022 走看看