朴素贝叶斯模型假设的观测已经给类成员的一些多元分布,但预测或构成特征的观察是独立的。这个框架可以容纳一个完整的功能集,使得观察是一套多项罪名的。
要训练朴素贝叶斯模型,使用fitcnb
在命令行界面。训练结束后,由该模型预测和数据传递给预测标签或估计的后验概率预测
。
分类学习 | 使用监督机器学习模型火车来分类数据 |
ClassificationNaiveBayes |
朴素贝叶斯分类 |
CompactClassificationNaiveBayes |
紧凑型朴素贝叶斯分类器 |
ClassificationPartitionedModel |
旨在分类模型 |
创建和比较朴素贝叶斯分类,并出口训练的模型来为新数据的预测。
理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
朴素贝叶斯分类器是专为使用时的预测是相互独立的类在彼此的,但它似乎在实践中很好地工作,甚至当独立性假设是无效的。
这个例子显示了如何可视化分类概率的朴素贝叶斯分类算法。
这个例子说明如何使用判别分析,朴素贝叶斯分类器和决策树进行分类。
这个例子说明了如何为可视化不同分类算法的决定表面。