为什么朴素贝叶斯需要平衡的训练数据？
why naive bayes requires balanced training data?
我使用朴素贝叶斯算法创建了一个单词情感应用程序。
这个分类训练数据有两类标准，分别是正训练数据和负训练数据。我对每一个分组的训练数据都有一个独特的说法。所以，我有每个数据标准的所有唯一词。然后，我计算每个唯一单词出现的概率值。
问题是当我使用不均匀的训练数据时。例如：我使用了 60% 的负训练数据和 40% 的正训练数据。那么测试数据的结果会更容易出现阴性结果，反之亦然。
除了我必须使用平衡数据，我应该怎么做才能解决这个问题？还有我应该添加的其他方法吗？
朴素贝叶斯需要均衡的训练数据，因为每个参数的似然受先验值（优先值）的影响。
这个先验值取自每个数据的类。
也许我解释这种东西的时候你已经明白了。
我使用朴素贝叶斯算法创建了一个单词情感应用程序。
这个分类训练数据有两类标准，分别是正训练数据和负训练数据。我对每一个分组的训练数据都有一个独特的说法。所以，我有每个数据标准的所有唯一词。然后，我计算每个唯一单词出现的概率值。
问题是当我使用不均匀的训练数据时。例如：我使用了 60% 的负训练数据和 40% 的正训练数据。那么测试数据的结果会更容易出现阴性结果，反之亦然。
除了我必须使用平衡数据，我应该怎么做才能解决这个问题？还有我应该添加的其他方法吗？
朴素贝叶斯需要均衡的训练数据，因为每个参数的似然受先验值（优先值）的影响。
这个先验值取自每个数据的类。 也许我解释这种东西的时候你已经明白了。