機器學習常見模型分析與比較

樸素貝葉斯： 　　有以下幾個地方需要注意： 　　1. 如果給出的特徵向量長度可能不同，這是需要歸一化爲通長度的向量（這裏以文本分類爲例），比如說是句子單詞的話，則長度爲整個詞彙量的長度，對應位置是該單詞出現的次數。 　　2. 計算公式如下：  　　 　　其中一項條件概率可以通過樸素貝葉斯條件獨立展開。要注意一點就是 的計算方法，而由樸素貝葉斯的前提假設可知， = ，因此一般有兩種，一種是在類別爲c

>>阅读原文<<