Наивные модели Bayes принимают, что наблюдения имеют некоторое многомерное распределение, данное членство в классе, но предиктор или функции, составляющие наблюдение, независимы. Эта среда может разместить полный набор функций, таким образом, что наблюдение является набором количеств многочлена.
Чтобы обучить наивную модель Bayes, используйте fitcnb в интерфейсе командной строки. После обучения предскажите метки или оцените апостериорные вероятности путем передачи модели и данных о предикторе к predict.
| Classification Learner | Обучите модели классифицировать данные с помощью машинного обучения с учителем |
ClassificationNaiveBayes | Наивная Байесова классификация |
CompactClassificationNaiveBayes | Компактный наивный классификатор Байеса |
ClassificationPartitionedModel | Перекрестная подтвержденная модель классификации |
Обучите наивные классификаторы Байеса Используя приложение Classification Learner
Создайте и сравните наивные классификаторы Байеса и экспортируйте обученные модели, чтобы сделать прогнозы для новых данных.
Контролируемое изучение рабочего процесса и алгоритмов
Поймите шаги для контролируемого изучения и характеристик непараметрической классификации и функций регрессии.
Категориальные данные об ответе
Наивная байесова классификация
Наивный классификатор Байеса разработан для использования, когда предикторы независимы друг от друга в каждом классе, но это, кажется, работает хорошо на практике, даже когда то предположение независимости не допустимо.
Постройте следующие вероятности классификации
Этот пример показывает, как визуализировать вероятности классификации для Наивного Байесового алгоритма классификации.
Этот пример показывает, как выполнить классификацию с помощью дискриминантного анализа, наивных классификаторов Байеса и деревьев решений.
Визуализируйте поверхности решения различных классификаторов
Этот пример показывает, как визуализировать поверхность решения для различных алгоритмов классификации.