朴素贝叶斯模型假设观测值具有多元分布,但组成观测值的预测器或特征是独立的。这个框架可以容纳一个完整的特性集,这样一个观察就是一组多项计数。
要训练朴素的贝叶斯模型,使用fitcnb
在命令行界面。训练完成后,通过传递模型和预测数据来预测标签或估计后验概率预测
.
分类学习者 | 使用有监督的机器学习训练模型来分类数据 |
ClassificationNaiveBayes |
朴素贝叶斯分类 |
CompactClassificationNaiveBayes |
紧凑朴素贝叶斯分类器 |
ClassificationPartitionedModel |
交叉验证的分类模型 |
创建和比较朴素贝叶斯分类器,并导出训练过的模型来预测新数据。
了解监督学习的步骤和非参数分类和回归函数的特征。
分类响应数据
朴素贝叶斯分类器设计用于在每个类中预测器彼此独立的情况下,但它在实践中似乎工作得很好,即使独立假设是无效的。
这个例子展示了如何可视化朴素贝叶斯分类算法的分类概率。
这个例子展示了如何使用判别分析、朴素贝叶斯分类器和决策树进行分类。
这个例子展示了如何可视化不同分类算法的决策面。