Наивный Байес

Наивная модель Байеса с Гауссовыми, полиномиальными или ядерными предикторами

Наивные модели Bayes принимают, что наблюдения имеют некоторое многомерное распределение с учётом принадлежности к классу, но предиктор или признаки, составляющие наблюдение, независимы. Эта среда может включать полный набор признаков, таким образом, что наблюдение является набором отсчётов 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.

Приложения

Classification LearnerОбучите модели классифицировать данные с помощью машинного обучения с учителем

Функции

развернуть все

fitcnbОбучите мультикласс наивная модель Bayes
compactУменьшайте размер модели машинного обучения
limeЛокальные поддающиеся толкованию объяснения модели агностические (LIME)
partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
shapleyШепли оценивает
crossvalПерекрестный подтвердите модель машинного обучения
kfoldEdgeРебро классификации для перекрестной подтвержденной модели классификации
kfoldLossПотеря классификации для перекрестной подтвержденной модели классификации
kfoldfunПерекрестный подтвердите функцию для классификации
kfoldMarginПоля классификации для перекрестной подтвержденной модели классификации
kfoldPredictКлассифицируйте наблюдения на перекрестную подтвержденную модель классификации
lossПотеря классификации для наивного классификатора Байеса
resubLossПотеря классификации перезамены
logpРегистрируйте безусловную плотность вероятности для наивного классификатора Байеса
compareHoldoutСравните точность двух моделей классификации с помощью новых данных
edgeРебро классификации для наивного классификатора Байеса
marginПоля классификации для наивного классификатора Байеса
resubEdgeРебро классификации перезамены
resubMarginПоле классификации перезамены
testckfoldСравните точность двух моделей классификации повторной перекрестной проверкой
predictКлассифицируйте наблюдения с помощью наивного классификатора Байеса
resubPredictКлассифицируйте обучающие данные с помощью обученного классификатора
incrementalLearnerПреобразуйте наивную модель классификации Бейеса в инкрементного ученика

Классы

ClassificationNaiveBayesНаивная Байесова классификация для классификации мультиклассов
CompactClassificationNaiveBayesКомпактный наивный классификатор Байеса для классификации мультиклассов
ClassificationPartitionedModelПерекрестная подтвержденная модель классификации

Темы

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.

Параметрическая классификация

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.

Классификация

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.

Для просмотра документации необходимо авторизоваться на сайте