도움말센터 도움말센터

나이브베이즈(朴素贝叶斯)

가우스예측변수，다항예측변수또는커널예측변수를사용하는나이브베이즈모델

나이브베이즈모델은클래스멤버를고려해볼때관측값이일부다변량분포를가지지만관측값을구성하는예측변수또는특징은서로독립적이라고가정합니다。이프레임워크는관측값이다항개수의집합이되는완전한특징의집합을수용할수있습니다。

나이브베이즈모델을훈련시키려면명령줄터페이스에서fitcnb를사용하십시오。훈련후에는모델과예측변수데이터를预测에전달하여레이블을예측하거나사후확률을추정합니다。

앱

분류학습기

머신러닝지도학습을사용하여데이터를분류하도록모델훈련시키기

함수

나이브베이즈모델만들기

`fitcnb`	다중클래스나이브베이즈모델훈련
`紧凑的`	减小机器学习模型的尺寸

나이브베이즈모델해석하기

`石灰`	局部可解释模型不可知解释(LIME)
`partialDependence`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`沙普利`	沙普利值

교차검하기

`crossval`	交叉验证机器学习模型
`kfoldEdge`	交叉验证分类模型的分类边
`kfoldLoss`	交叉验证分类模型的分类损失
`kfoldfun`	分类的交叉验证功能
`kfoldMargin`	交叉验证分类模型的分类边际
`kfoldPredict`	在交叉验证的分类模型中对观测数据进行分类

성능측정하기

`损失`	朴素贝叶斯分类器的分类损失
`resubLoss`	再置换分类损失
`logp`	朴素贝叶斯分类器的对数无条件概率密度
`compareHoldout`	比较使用新数据的两种分类模型的准确性
`边缘`	朴素贝叶斯分类器的分类边
`保证金`	朴素贝叶斯分类器的分类边缘
`resubEdge`	再置换分类边
`resubMargin`	再置换分类边际
`testckfold`	通过重复交叉验证比较两种分类模型的准确性

관측값분류하기

`预测`	使用朴素贝叶斯分类器对观测数据进行分类
`resubPredict`	使用训练过的分类器对训练数据进行分类

분학습기로변환하기

incrementalLearner 将朴素贝叶斯分类模型转化为增量学习器

클래스

`ClassificationNaiveBayes`	다중클래스분류를위한나이브베이즈분류
`CompactClassificationNaiveBayes`	用于多类分类的简洁朴素贝叶斯分类器
`ClassificationPartitionedModel`	交叉验证分类模型

도움말항목

使用分类学习应用程序训练朴素贝叶斯分类器
创建和比较朴素贝叶斯分类器，并导出训练过的模型，以对新数据进行预测。
지도학습워크플로와알고리즘
지도학습의단계와비모수적분류및회귀함수의특성을알아봅니다。
参数分类
分类响应数据
朴素贝叶斯分类
朴素贝叶斯分类器是为每个类中的预测器彼此独立而设计的，但即使在独立性假设不成立的情况下，它在实践中也能很好地工作。
后验分类概率
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。
분류
이예제에서는판별분석,나이브베이즈분류기,결정트리를사용하여분류를수행하는방법을보여줍니다。
可视化不同分类器的决策曲面
这个例子展示了如何可视化不同分类算法的决策面。