贝叶斯分类器-讲课.ppt

《贝叶斯分类器-讲课.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、贝叶斯分类器分类分析分类分析主要解决的问题是利用训练样本集获得分类函数或分类模型。分类模型能很好的拟合训练样本集中属性集与类别之间的关系，也可以预测一个新样本属于哪一类分类：贝叶斯分类器决策树支持向量机聚类分析不知道数据点的类别标签，需要自己自动分出来来，简单说就是一堆东西混到一起了，你要把它们区分开来谁和谁是一类的分类分析本身已经知道每个数据点属于哪个类，它的任务是找到最佳的分类方法，也就是在你这种分类方法下分类的分类效果是最佳的聚类分析与分类分析的区别贝叶斯定理朴素贝叶斯分类器朴素贝叶斯分类的流程可以由下图表示：优劣分析优点：简单高效缺点：要求严格的条件独立假设，对于属性相关

2、的分类问题，效果不理想（方案:贝叶斯网络）缺点：朴素贝叶斯在大多数情况下不能对类概率做出非常准确的估计例题解答P（购买汽车=是）=0.7P（购买汽车=否）=0.3（1）P（家庭情况=一般

3、购买汽车=是）=4/7P（家庭情况=一般

4、购买汽车=否）=1（2）P（信用级别=优秀

5、购买汽车=是）=4/7P（信用级别=优秀

6、购买汽车=否）=0（3）P（月收入=12K

7、购买汽车=是)=1/7P（月收入=12K

8、购买汽车=否)=0/3=0P(X)=P（购买汽车=是）*P（家庭情况=一般

9、购买汽车=是）*P（信用级别=优秀

10、购买汽车=是）*P（月收入=12K

11、购买汽车=是）+P（购买汽车=否）*

12、P（家庭情况=一般

13、购买汽车=否）*P（信用级别=优秀

14、购买汽车=否）*P（月收入=12K

15、购买汽车=否）=7/10*4/7*4/7*1/7+3/10*1*0*0=0.03265P(X=（一般，优秀，12k）

16、Y=是)=P（家庭情况=一般

17、购买汽车=是）*P（信用级别=优秀

18、购买汽车=是）*P（月收入=12K

19、购买汽车=是）=4/7*4/7*1/7=0.04664P(Y=是)=7/10P(Y=是

20、X=（一般，优秀，12k）)=P(Y)*P(X

21、Y)/P(X)=7/10*0.04664/0.03265=111考虑一个医疗诊断问题，有两种可能的假设：（1）病人有癌症。（2）病人无癌症

22、。样本数据来自某化验测试，它也有两种可能的结果：阳性和阴性。假设我们已经有先验知识：在所有人口中只有0.008的人患病。此外，化验测试对有病的患者有98%的可能返回阳性结果，对无病患者有97%的可能返回阴性结果。贝叶斯分类器在医疗领域的应用举例12上面的数据可以用以下概率式子表示：P(cancer)=0.008；P(无cancer)=0.992P(阳性

23、cancer)=0.98；P(阴性

24、cancer)=0.02P(阳性

25、无cancer)=0.03；P(阴性

26、无cancer)=0.97假设现在有一个新病人，化验测试返回阳性，是否将病人断定为有癌症呢？我们可以来计算极大后验假设：P

27、(阳性

28、cancer)p(cancer)=0.98*0.008=0.0078P(阳性

29、无cancer)*p(无cancer)=0.03*0.992=0.0298因此，应该判断为无癌症。