分類: 知識 常識詞典 編輯 : 常識 發(fā)布 : 09-16

閱讀 :414

樸素貝葉斯分類，如何改進才能處理高維的數(shù)據(jù)，如200維，1000維？同時，如何改進才能使概率為0值的不出錯？3 個答案

答案 1：

謝謝你的邀請。你的問題我沒有完全看懂，我是這樣去理解你的問題的：用樸素貝葉斯方法如何對高維數(shù)據(jù)進行分類。樸素貝葉斯分類器本身并不能降維，它是一個分類器。你提供的數(shù)據(jù)應(yīng)該在進行分類之前就已經(jīng)做好了特征降維，特征降維的方法很多，你可以依據(jù)你的具體問題來選擇合適的降維方法。樸素貝葉斯要求各特征之間條件統(tǒng)計獨立，所以對高維數(shù)據(jù)降維后必須保證各特征之間的獨立性，這可以采用一組具有正交基特征的降維方法，如PCA。以兩分類為例，樸素貝葉斯分類器實際執(zhí)行的一個線性判別函數(shù)，它是根據(jù)待判斷向量分屬于各個類別概率比值推演過來的，所以要做到概率為0理論上就不成立。另外，采用樸素貝葉斯分類需要知道各類別的先驗概率、各特征的類條件概率，所以實際操作起來基本上不可能，它更多的是一種理論指導(dǎo)?？赡懿]有完全解決你的問題，希望有人完善，謝謝……

答案 2：

實際上，維度高并不表示效果會差。原因可能是：一，對于機器學(xué)習(xí)而言，泛化性能收到樣本數(shù)量和代表性的影響，如果特征維度高，則訓(xùn)練樣本的數(shù)量必須比較大，關(guān)于樣本數(shù)量和維度有個VC維的理論約束。二，對于樸素貝葉斯而言，需要假設(shè)各維度相互獨立，維度高的一個可能問題就是維度之間的獨立性會變差，造成樸素貝葉斯的假設(shè)不成立，從而效果不好；解決的辦法：一，從特征定義的物理意義出發(fā)，重新定義，減少特征之間的相關(guān)性；二，按照駱威所提到的，降維并進行特征挑選，但需要注意保持獨立性。三，增加具有代表性的訓(xùn)練樣本。

答案 3：

不大懂，沒學(xué)過模式識別

下一篇:有哪些好方法可以說服盲從的人? 下一篇 【方向鍵 ( → )下一篇】

上一篇:關(guān)于自動化測試，包括頁面和客戶端，大家有什么更好的解決方案嗎？ 上一篇 【方向鍵 ( ← )上一篇】