超类:CompactClassificationNaiveBayes
天真的贝叶斯分类
ClassificationniveBayes.
是A.朴素贝叶斯用于多人学习的分类器。使用Fitcnb.
和训练a的训练数据ClassificationniveBayes.
分类器。
训练有素ClassificationniveBayes.
分类器存储培训数据,参数值,数据分发和先前概率。您可以将这些分类器用过:
创建A.ClassificationniveBayes.
通过使用Fitcnb.
.
紧凑 | 紧凑朴素贝叶斯分类器 |
横梁 | 交叉验证的天真贝叶斯分类器 |
重新提交 | 朴素贝叶斯分类器边的再替换分类 |
resubLoss | 朴素贝叶斯分类器的再替换分类损失 |
重新提交 | 朴素贝叶斯分类器的再替换分类裕度 |
重新预订 | 预测幼稚贝叶斯分类器的重新提交标签 |
价值。要了解值类如何影响复制操作,请参见复制对象(MATLAB)。
如果您指定“DistributionNames”、“锰”
训练时Mdl
使用Fitcnb.
,然后软件使用的是使用多项分布袋 - 令牌模型.该软件存储令牌的概率j
出现在课堂上K.
在物业中分发参数{
.使用添加剂平滑[2],估计的概率是K.
那j
}
在哪里:
令牌的加权出现次数是多少j在课堂上K..
NK.是课堂上的观察数K..
是观察的重量我.该软件在类中将权重标准化,使得它们总和到该类的先前概率。
这是课堂上所有令牌的总重量次数K..
如果您指定'分发名称','mvmn'
训练时Mdl
使用Fitcnb.
然后:
对于每个预测器,软件会收集一个独特关卡的列表,并将排序后的列表存储在其中CategoricalLevels
,并将每一层视为一个容器。每个预测器/类组合是一个独立的,独立的多项随机变量。
为预测j
在课堂上K.,软件使用存储在中的列表计算每个分类级别的实例类别物流{
.j
}
该软件存储预测器的概率j
,在课堂上K.
,有水平L.在物业中分发参数{
,为所有层次K.
那j
}类别物流{
.使用添加剂平滑[2],估计的概率是j
}
在哪里:
这是预测器的重量观察数j=L.在课堂上K..
NK.是课堂上的观察数K..
如果X.ij=L.,否则为0。
是观察的重量我.该软件在类中将权重标准化,使得它们总和到该类的先前概率。
mj是预测器中的不同水平的数量j.
mK.是课堂上的重量的观察数K..
[1] Hastie,T.,R. Tibshirani和J. Friedman。统计学习的要素,第二版。纽约:施普林格,2008年。
[2] Manning, c.d., P. Raghavan, M. Schütze。信息检索介绍,纽约:剑桥大学出版社,2008。