（3.3）朴素贝叶斯模型及Titanic案例分析

AI100 2023-01-12 23:11:10

课时名称	课时知识点
（3.3）朴素贝叶斯模型及Titanic案例分析

...全文

80 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

在机器学习的世界中，分类问题是无处不在的：从判断一封邮件是否为垃圾邮件，到分析用户评论的情感倾向，分类算法总能派上用场。而在众多分类算法中，朴素贝叶斯分类器以其简单、高效和易于理解的特点，成为初学者和专业人士的热门选择。本文将从基础的贝叶斯定理讲起，逐步深入到朴素贝叶斯的假设和应用场景，最终通过一个垃圾邮件过滤的经典案例，带你全面掌握这一算法。无论你是刚入门的小白，还是想提升技能的进阶读者，这篇文章都能让你有所收获！贝叶斯定理：为朴素贝叶斯提供了概率更新的理论基础。朴素假设。

机器学习分类算法1. 机器学习算法简介1.1 按照学习方式分类1.2 区别1.3 关于监督学习中的分类与回归区别1.4 机器学习开发流程2. 数据集介绍与划分2.1 sklearn数据集介绍2.1.1 分类和回归数据集2.1.2 API2.1.3 返回类型2.1.4 代码分析2.2 转换器和估计器2.2.1转换器2.2.2 估计器(sklearn机器学习算法的实现)2.2.3 估计器工作流程3. ...

文章目录Scikit-learn的分类器算法3.1 分类算法之k-近邻3.2 k-近邻算法案例分析3.3朴素贝叶斯3.4 分类算法之逻辑回归3.5 逻辑回归算法案例分析3.6 分类器性能评估3.7 分类算法之决策树 Scikit-learn的分类器算法 3.1 分类算法之k-近邻 k-近邻算法采用测量不同特征值之间的距离来进行分类优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高使用数据范围：数值型和标称型一个例子弄懂k-近邻电影可以按照题材分类，每个

一、初识 kaggle kaggle是一个非常适合初学者去实操实战技能的一个网站，它可以根据你做的项目来评估你的得分和排名。让你对自己的能力有更清楚的了解，当然，在这个网站上，也有很多项目的教程，可以跟着教程走，慢慢熟悉各种操作。在平时的学习中，我们了解到的知识更多的是理论，缺少一个实战的平台，项目的练习。我对kaggle的了解也是基于实战的需要，想做一些项目来巩固我的认知，发现更多有用的技能。 kaggle 竞赛，里面有很多项目，对熟悉数据处理与学习各种算法帮助很大。二、项目介绍完整代码见k.

分类算法知道数据集的分为训练集和测试集知道sklearn的转换器和估计器流程了解sklearn的分类、回归数据集说明K-近邻算法的距离公式说明K-近邻算法的超参数K值以及取值问题说明K-近邻算法的优缺点应用KNeighborsClassifier实现分类了解分类算法的评估标准准确率说明朴素贝叶斯算法的原理说明朴素贝叶斯算法的优缺点应用MultinomialNB实现文本分类应用模型选择与调优说明决策树算法的原理说明决策树算法的优缺点应用DecisionTreeClassifier

AI100讲师的课程社区_NO_1

1

社区成员

217

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章