MatLab的：樸素貝葉斯與單變量高斯

我試圖用數據集由UCI機器學習團隊發佈實施樸素貝葉斯分類器，我是新來的機器學習，並試圖瞭解技術使用我的工作相關的問題，所以我認爲最好先理解理論。MatLab的：樸素貝葉斯與單變量高斯

我使用pima數據集（Link to Data - UCI-ML），目標是針對K類問題（數據僅在K = 2時）構建樸素貝葉斯單變量高斯分類器。我已經做了分割數據，並計算平均爲每個類，標準偏差，先驗每個類但畢竟這，我有點堅持，因爲我不知道什麼，我應該如何在這之後做。我已經覺得我應該被計算後驗概率，這裏是我的代碼，我使用的百分比作爲載體，因爲我想看到的行爲，我是從80:20分增加訓練數據的大小。基本上，如果你通過[10 20 30 40]將採取該百分比從80:20分裂，並使用10％的80％，如訓練

function[classMean] = naivebayes(file, iter, percent) 
dm = load(file); 
    for i=1:iter 
     idx = randperm(size(dm.data,1)) 
     %Using same idx for data and labels 
     shuffledMatrix_data = dm.data(idx,:); 
     shuffledMatrix_label = dm.labels(idx,:); 
     percent_data_80 = round((0.8) * length(shuffledMatrix_data)); 
     %Doing 80-20 split 
     train = shuffledMatrix_data(1:percent_data_80,:); 
     test = shuffledMatrix_data(percent_data_80+1:length(shuffledMatrix_data),:); 
     train_labels = shuffledMatrix_label(1:percent_data_80,:) 
     test_labels = shuffledMatrix_data(percent_data_80+1:length(shuffledMatrix_data),:); 
     %Getting the array of percents 
     for pRows = 1:length(percent) 
      percentOfRows = round((percent(pRows)/100) * length(train)); 
      new_train = train(1:percentOfRows,:) 
      new_trin_label = shuffledMatrix_label(1:percentOfRows) 
      %get unique labels in training 
      numClasses = size(unique(new_trin_label),1) 
      classMean = zeros(numClasses,size(new_train,2)); 
      for kclass=1:numClasses 
       classMean(kclass,:) = mean(new_train(new_trin_label == kclass,:)) 
       std(new_train(new_trin_label == kclass,:)) 
       priorClassforK = length(new_train(new_trin_label == kclass))/length(new_train) 
       priorClassforK_1 = 1 - priorClassforK 
      end 
     end 
    end

端

來源

2012-10-03 Null-Hypothesis

首先，計算埃維類的概率基於頻率計數的標籤。對於給定的數據樣本和數據集中給定的類，計算evey特徵的概率。在此之後，乘由彼此所考慮的類標籤的概率樣本中的所有功能的條件概率。最後，比較所有類標籤的價值和你選擇的類與概率最大（貝葉斯分類規則）的標籤。

爲計算conditonal概率，你可以簡單地使用正態分佈函數。

來源

2012-10-04 14:05:20 soufanom

MatLab的：樸素貝葉斯與單變量高斯

回答

相關問題