data:
2016-02-19
author:laidefa
########################樸素貝葉斯##################################
###目標：利用樸素貝葉斯**蘋果是好的壞的
rm(list=ls())
gc()
library(plyr)
library(reshape2)
#訓練集
color=c("紅","紅","紅","綠","紅","綠"),taste=c("good","good","bad","bad","bad","good"))
#計算類別的概率
(length.train
(dtemp$prob
head(dtemp)
(class_prob
colnames(class_prob)
#計算每個類別下，特徵取不同值的概率
(data.melt
(aa(bb
colnames(bb)
(feature_class_prob
#測試集
(oneobs
#開始**
pcpfc
#取出特徵的取值的條件概率
(feature.all
#取出特徵取值的條件概率連乘
(feature.prob
#取出類別的概率
(class.all
#輸出**結果
(pre_class
#######################結果##################
結論：這個蘋果巴準是壞的！
>
> #輸出**結果
> (pre_class
class.name pre_prob
1 bad 0.07407407
2 good 0.03703704
#####################決策樹##############################################
目標：鳶尾花的種類**
rm(list=ls())
##使用包party建立決策樹
library(party)
str(iris)
######分為訓練和測試資料兩部分
set.seed(1234)
indtraindata
dim(traindata)
testdata
dim(testdata)
####訓練模型
iris_ctree
print(iris_ctree)
plot(iris_ctree)
plot(iris_ctree,type="******")
table(predict(iris_ctree),traindata$species)
####測試模型
testpred
table(testpred,testdata$species)
結果：model formula:
機器學習演算法 樸素貝葉斯
樸素貝葉斯 na ve bayes 屬於監督學習演算法，實現簡單，學習效率高 由於建立在貝葉斯理論之上，涉及到統計學方法，所以在大樣本量下會有較好的表現，當然樣本需要在一定程度上反映真實分布情況。該演算法的一條假設為 輸入的特徵向量的各分量之間兩兩條件獨立。因為這條假設比較嚴格，能夠完全符合該假設的...
機器學習 樸素貝葉斯
樸素貝葉斯原理 1.貝葉斯公式 2.樸素貝葉斯的模型 3.後驗概率最大化的含義 4.樸素貝葉斯的引數估計 4.1.特徵是離散值 假設符合多項式分布 4.2.特徵是稀疏的離散值 假設符合伯努利分布 4.3.特徵是連續值 假設符合正態分佈 5.樸素貝葉斯演算法過程 6.樸素貝葉斯演算法小結 scikit...
機器學習基礎演算法 樸素貝葉斯
1 為什麼可以使用bayes對未知資料進行分類 首先要了解bayes的概率 條件概率，以及將條件概率應用到分類中 bayes的概率是乙個逆向概率，詳細內容檢視bayestheory.md 可以使用bayes主要是因為在知道某個條件的基礎上，可以反推某一事件發生的概率 在機器學習中使用的樣本資料就是我...