Наивные модели Байеса предполагают, что наблюдения имеют некоторое многомерное распределение при принадлежности к классу, но предиктор или функции, составляющие наблюдение, независимы. Эта среда может включать полный набор функций, таким образом, что наблюдение является набором отсчётов многочлена.
Чтобы обучить наивную модель Байеса, используйте fitcnb в интерфейсе командной строки. После обучения прогнозируйте метки или оценивайте апостериорные вероятности путем передачи данных модели и предиктора в predict.
| Classification Learner | Обучите модели классифицировать данные с помощью машинного обучения с учителем |
ClassificationNaiveBayes | Наивная классификация Байеса для многоклассовой классификации |
CompactClassificationNaiveBayes | Компактный наивный классификатор Байеса для многоклассовой классификации |
ClassificationPartitionedModel | Перекрестная проверенная классификационная модель |
Обучите наивные классификаторы Байеса с помощью приложения Classification Learner
Создайте и сравните наивные классификаторы Байеса и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Рабочий процесс и алгоритмы управляемого обучения
Осмыслите шаги для контролируемого обучения и характеристики непараметрических функций классификации и регрессии.
Категориальные данные отклика
Наивный классификатор Байеса разработан для использования, когда предикторы независимы друг от друга в каждом классе, но, по-видимому, он хорошо работает на практике, даже когда это предположение независимости не верно.
Построение апостериорных вероятностей классификации
Этот пример показывает, как визуализировать вероятности классификации для наивного алгоритма классификации Байеса.
В этом примере показано, как выполнить классификацию с помощью дискриминантного анализа, наивных классификаторов Байеса и деревьев решений.
Визуализация поверхностей принятия решений различных классификаторов
Этот пример показывает, как визуализировать поверхность принятия решений для различных алгоритмов классификации.