朴素贝叶斯
带有高斯、多项式或核预测器的朴素贝叶斯模型
朴素贝叶斯模型假设观测值具有给定类别成员的多变量分布，但组成观测值的预测因子或特征是独立的。该框架可以容纳一个完整的特征集，使得观测值是多项计数的集合。
训练一个朴素贝叶斯模型，使用fitcnb在命令行界面。训练后，通过将模型和预测器数据传递给预测标签或估计后验概率预测．
应用程序
| 分类学习者 | 训练模型使用监督机器学习对数据进行分类 |
功能
类
ClassificationNaiveBayes |
用于多类分类的朴素贝叶斯分类 |
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 |
主题
- 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。
- 监督学习工作流和算法
理解监督学习的步骤和非参数分类和回归函数的特征。
- 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。
- 分类
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执行分类。
- 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。
您也可以从以下列表中选择一个网站: