知识卡片
朴素贝叶斯分类五阶段
朴素贝叶斯分类可拆成五个执行阶段。先用 TF-IDF 把训练数据整理成样本特征;再对每个类别计算先验概率;接着对每个特征属性,统计它在各划分下的条件概率;然后对每个类别,把待分类项各特征的条件概率与类别先验相乘累加,得到该类的得分;最后取得分最大的类别作为待分类项的归属。训练阶段产出先验和条件概率两张表,预测阶段只做查表与乘加。分母对所有类别相同,比较时可省去。理解这条流水线,就把抽象的贝叶斯公式落到了可逐步实现、可逐步调试的五个动作上。
结构图:
flowchart TD
A[TF-IDF生成训练样本] --> B[对每类计算先验P(yi)]
B --> C[对每个特征计算条件概率]
C --> D[对每类累加特征概率与先验]
D --> E[取得分最大类为归属]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第2章 中文文本分类 · 查看原书依据
第一阶段:训练数据生成训练样本集:TF-IDF。 第二阶段:对每个类别计算P(yi )。 第三阶段:对每个特征属性计算所有划分的条件概率。 第四阶段:对每个类别计算。 第五阶段:以的最大项作为x的所属类别。
参考来源
- 位置:《机器学习算法原理与编程实践》第2章 中文文本分类(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00010.html)
- 结论依据:原文把朴素贝叶斯分类流程划分为从 TF-IDF、计算类别先验、计算条件概率到取最大归属的五个阶段,支撑本卡的阶段化梳理。
- 原始内容:第一阶段:训练数据生成训练样本集:TF-IDF。 第二阶段:对每个类别计算P(yi )。 第三阶段:对每个特征属性计算所有划分的条件概率。 第四阶段:对每个类别计算。 第五阶段:以的最大项作为x的所属类别。