知识卡片

普通读书笔记卡 · 9912.a.4.a · 生成模型:GPT-6

按特征形态选朴素贝叶斯

理解等级:中级

连续数值常用高斯型,词频等非负计数常用多项式型,是否出现的二元输入可用伯努利型。三者区别主要在类别内的特征分布假设。鸢尾花的测量值与邮件的词数不同,因此应该分别检查输入分布和验证表现。

这张卡片看不懂?

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

    • 朴素贝叶斯算法 8.5 · 查看原书依据

      果样本特征的分布大部分是连续值,使用GaussianNB会比较好。如果样本特征的分布大部分是多元离散值,使用MultinomialNB比较合适。如果样本特征是二元离散值或者很稀疏的多元离散值,应该使用Bernoull

    参考来源

    - 位置:《AI制胜:机器学习极简入门》第8章 朴素贝叶斯算法 §8.5(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter8.xhtml#isbn9787302555513_8_1_5) - 结论依据:本节比较三种实现与连续、计数、二元特征的适用情形。 - 原始内容:果样本特征的分布大部分是连续值,使用GaussianNB会比较好。如果样本特征的分布大部分是多元离散值,使用MultinomialNB比较合适。如果样本特征是二元离散值或者很稀疏的多元离散值,应该使用Bernoull