Наивные модели Bayes принимают, что наблюдения имеют некоторое многомерное распределение, данное членство в классе, но предиктор или функции, составляющие наблюдение, независимы. Эта среда может вместить 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 для классификации мультиклассов |
CompactClassificationNaiveBayes | Компактный наивный классификатор Байеса для классификации мультиклассов |
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 предсказания для новых данных.
Контролируемое изучение рабочего процесса и алгоритмов
Изучите шаги для контролируемого изучения и характеристик непараметрической классификации и функций регрессии.
Категориальные данные об ответе
Наивная байесова классификация
Наивный классификатор Байеса спроектирован 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
В этом примере показано, как визуализировать вероятности классификации для Наивного Байесового алгоритма классификации.
В этом примере показано, как выполнить классификацию с помощью дискриминантного анализа, наивных классификаторов Байеса и деревьев решений.
Визуализируйте поверхности решения различных классификаторов
В этом примере показано, как визуализировать поверхность решения для различных алгоритмов классификации.
