第五课:模型补充
朴素贝叶斯分类
【实例】朴素贝叶斯实例
作者 : 老饼 日期 : 2022-06-27 22:36:14 更新 : 2022-11-30 17:37:27
本站原创文章,转载请说明来自《老饼讲解-机器学习》ml.bbbdata.com


本文展示一个朴素贝叶斯的具体计算实例,

通过本实例,更具体的了解朴素贝叶素的使用。



    问题    


现有身高、体重与性别的历史数据如下
 

问题:现在来了个身高分组为3,体重分组为2的,
需要如何判断该样本的类别




  01. 朴素贝叶斯判断过程  


本节以朴素贝叶斯的判断过程为例,讲述朴素贝叶素是如何对一个新样本作出判断的


   模型思想回顾   


朴素贝叶斯就是以历史数据作为依据
判断新样本属于各类别的概率
最后属于哪个类别的概率较大
就判为属于哪一类



  具体判断过程  


1、估算各类别下特征表现的概率

 
P(身高=3|已知属于男) = 男样本中身高分组为3的个数 / 男样本个数 = 1/3   
 P(体重=2|已知属于男) = 男样本中体重分组为2的个数 / 男样本个数 = 1/3   
 P(身高=3|已知属于女) = 女样本中身高分组为3的个数 / 女样本个数 =  1/4  
 P(体重=2|已知属于女) = 女样本中体重分组为2的个数 / 女样本个数 =  2/4  
  
 2、估算属于各类别的先验概率(即类别占比)
 
 
P(属于男) = 
P(属于女) =  

3、 估算特征表现概率(即特征占比)

 
P(身高=3) = 身高为分组3的占比 = 
P(体重=2) = 体重为分组2的占比 = 

4、计算样本属于各类别的概率值(或判别值)
 
 

 


5、结论

 
是男的概率为  ,是女的概率为,由此,判断样本属于女
 
 备注:特征占比在实际计算中不需计算,因为最后是比较大小,分母不必计算




  02. 建模及与应用过程  



下面说明用本例数据最终生成的模型和如何使用模型进行判别



   建模过程   


我们需要输出的模型为《类别概率表》和《特征概率表》,
通过公式可计算如下:

 《类别概率表》
 
《特征概率表》
   
 



    模型应用流程    


现在来了个身高分组为3,体重分组为2的,
模型应用时一般只用判别函数G,不需计算具体概率,
通过查表可算得:
  
 
  

,可判该样本为女。








  End  







联系老饼