Пакет: classreg.learning.classif
Компактный наивный классификатор Байеса
CompactClassificationNaiveBayes
является компактным наивным классификатором Байеса.
Компактный классификатор не включает данные, используемые для обучения наивный классификатор Байеса. Поэтому вы не можете выполнить задачи, такие как перекрестная проверка, с помощью компактного классификатора.
Используйте компактный наивный классификатор Байеса, чтобы маркировать новые данные (т.е. предсказание меток новых данных) более эффективно.
возвращает компактный наивный классификатор Байеса (CMdl
= compact(Mdl
)CMdl
) в полный, обученный наивный классификатор Байеса (Mdl
).
ребро | Ребро классификации для наивных классификаторов Байеса |
logP | Регистрируйте безусловную плотность вероятности для наивного классификатора Байеса |
потеря | Ошибка классификации для наивного классификатора Байеса |
поле | Поля классификации для наивных классификаторов Байеса |
предсказать | Предскажите метки с помощью наивной модели классификации Бейеса |
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
Если вы задаете 'DistributionNames','mn'
, когда учебный Mdl
с помощью fitcnb
, то программное обеспечение соответствует распределению многочлена с помощью модели сумки лексем. Программное обеспечение хранит вероятность, что маркерный j
появляется в классе k
в свойстве
. Используя дополнение, сглаживающее [2], предполагаемая вероятностьDistributionParameters{k,j}
где:
который является взвешенным количеством случаев маркерного j в классе k.
nk является количеством наблюдений в классе k.
вес для наблюдения i. Программное обеспечение нормирует веса в классе, таким образом, что они суммируют к априорной вероятности для того класса.
который является общим взвешенным количеством случаев всех лексем в классе k.
Если вы задаете 'DistributionNames','mvmn'
когда учебный Mdl
с помощью fitcnb
, то:
Для каждого предиктора программное обеспечение собирает список уникальных уровней, хранит отсортированный список в CategoricalLevels
и считает каждый уровень интервалом. Каждая комбинация предиктора/класса является отдельной, независимой случайной переменной многочлена.
Для предиктора j
в классе k экземпляры программно-реализованных счетчиков каждого категориального уровня с помощью списка сохранены в
.CategoricalLevels{j}
Программное обеспечение хранит вероятность, что предиктор j
, в классе k
, имеет уровень L в свойстве
для всех уровней в DistributionParameters{k,j}
. Используя дополнение, сглаживающее [2], предполагаемая вероятностьCategoricalLevels{j}
где:
который является взвешенным количеством наблюдений, для которого предиктора j равняется L в классе k.
nk является количеством наблюдений в классе k.
если xij = L, 0 в противном случае.
вес для наблюдения i. Программное обеспечение нормирует веса в классе, таким образом, что они суммируют к априорной вероятности для того класса.
mj является количеством отличных уровней в предикторе j.
mk является взвешенным количеством наблюдений в классе k.
[1] Hastie, T., Р. Тибширэни и Дж. Фридман. Элементы статистического изучения, второго выпуска. Нью-Йорк: Спрингер, 2008.
[2] Укомплектование людьми, C. D. П. Рэгэвэн и М. Шюц. Введение в Информэйшн-Ретривэл, Нью-Йорк: Издательство Кембриджского университета, 2008.
ClassificationNaiveBayes
| compareHoldout
| fitcnb
| loss
| predict