朴素贝叶斯的工作原理

Posted 2023-03-12

【中文标题】朴素贝叶斯的工作原理

【英文标题】：How the Naive Bayes works

【发布时间】：2019-06-25 19:29:07

【问题描述】：

我已经阅读了关于朴素贝叶斯的文章，它是一种分类技术算法，可以根据您提供的数据进行预测，但在这个示例中，我无法理解输出 [3,4] 的来源。

如下示例：

#assigning predictor and target variables
x= np.array([[-3,7],[1,5], [1,2], [-2,0], [2,3], [-4,0], [-1,1], [1,1], [-2,2], [2,7], [-4,1], [-2,7]])
Y = np.array([3, 3, 3, 3, 4, 3, 3, 4, 3, 4, 4, 4]

#Create a Gaussian Classifier
model = GaussianNB()

# Train the model using the training sets 
model.fit(x, y)

#Predict Output 
predicted= model.predict([[1,2],[3,4]])
print predicted

Output: ([3,4])

谁能解释在这种情况下 [3,4] 是如何生成的，这是什么意思？

【参考方案1】：

请浏览下面的示例代码。

from sklearn.naive_bayes import GaussianNB
import numpy as np

model = GaussianNB()
#assigning predictor and target variables
x= np.array([[-3,7],[1,5], [1,2], [-2,0], [2,3], [-4,0], [-1,1], [1,1], [-2,2], [2,7], [-4,1], [-2,7]])
Y = np.array([3, 3, 3, 3, 4, 3, 3, 4, 3, 4, 4, 4])
print x

model.fit(x, Y)

#Predict Output 
predicted= model.predict([[1,2],[35,6], [2,6]])
print predicted

输出：

[3 4 4]

这里我们得到了 3 个值。 3对应[1,2]，4对应[35,6]等

因此，根据您的样本量，您可以看到获得 3 或 4 的值。因此，根据它为您的测试数据提供 [3,4] 的测试数据。希望这可以澄清。

例如，从您的代码中，我只取前 3 个条目。你可以看到下面的图表。 X_1 和 X_2 是特征向量（输入），Y 是您的输出。该算法根据输入和输出生成一个数学公式。当您提供测试数据时，它使用相同的公式生成输出 (Y)。这就是您得到 [3,4] 的方式。

【讨论】：

4如何对应[35,6]？我不明白这个。我认为您需要更多地解释您是如何为每个元素获得 [3,4,4] 的。可能x是什么，在这种情况下Y是什么，为什么x是小写字母而Y是大写字母？ x 负责什么，y 负责什么？

谢谢，我认为知道它更有意义！对于 [35,6] 输入，我们在 Y 中没有任何输出训练，但它预测它为 4。

要预测 [35, 6] 的值，它不一定在训练数据中。你能理解为什么吗？如果是这种情况，您只能对训练集中的那些进行预测，在这种情况下，它不会被称为预测。

明白了，谢谢！