高斯朴素贝叶斯分类
Gaussian Naive Bayes classification
我发现了以下朴素贝叶斯分类器的 Matlab 实现：
https://github.com/jjedele/Naive-Bayes-Classifier-Octave-Matlab
高斯朴素贝叶斯和朴素贝叶斯有什么区别？我如何扩展上述实现以成为高斯朴素贝叶斯？
如何扩展实现以与 4 类 一起使用？只是单打独斗？
非常感谢您的帮助。
在朴素贝叶斯分类中，我们采用一组特征 (x0,x1,...xn) 并尝试将这些特征分配给已知的 class 集合 Y (y0,y1,. ..yk) 我们通过使用训练数据来计算条件概率来做到这一点，这些条件概率告诉我们特定 class 在训练集中具有特定特征的频率，然后将它们相乘。
结果是集合 Y 中每个 class 的分数。然后我们将 Y 中得分最高的成员作为我们的特征集应该分配给的 class。
到目前为止，我们还没有对 p(x|C) 分布做出任何假设。
在 Guassian 朴素贝叶斯中，我们假设所有这些 p(x|C) 值都是正态分布的，这是唯一的 "difference"，这真的没有什么区别，GNB 只是朴素贝叶斯的一个子集。
如果您没有大量的训练数据，并且愿意假设人口数据关于您所拥有的样本（训练）数据的平均值呈正态分布，这将很有用。
Tex 的完整披露者来自维基百科。
我发现了以下朴素贝叶斯分类器的 Matlab 实现：
https://github.com/jjedele/Naive-Bayes-Classifier-Octave-Matlab
高斯朴素贝叶斯和朴素贝叶斯有什么区别？我如何扩展上述实现以成为高斯朴素贝叶斯？
如何扩展实现以与 4 类 一起使用？只是单打独斗？
非常感谢您的帮助。
在朴素贝叶斯分类中，我们采用一组特征 (x0,x1,...xn) 并尝试将这些特征分配给已知的 class 集合 Y (y0,y1,. ..yk) 我们通过使用训练数据来计算条件概率来做到这一点，这些条件概率告诉我们特定 class 在训练集中具有特定特征的频率，然后将它们相乘。
结果是集合 Y 中每个 class 的分数。然后我们将 Y 中得分最高的成员作为我们的特征集应该分配给的 class。
到目前为止，我们还没有对 p(x|C) 分布做出任何假设。
在 Guassian 朴素贝叶斯中，我们假设所有这些 p(x|C) 值都是正态分布的，这是唯一的 "difference"，这真的没有什么区别，GNB 只是朴素贝叶斯的一个子集。
如果您没有大量的训练数据，并且愿意假设人口数据关于您所拥有的样本（训练）数据的平均值呈正态分布，这将很有用。
Tex 的完整披露者来自维基百科。