朴素贝叶斯分类器伯努利模型
Naïve Bayes Classifier Bernoulli model
我正在class验证发票和收据，我将使用伯努利模型。
这是朴素贝叶斯class化器：
P(c|x) = P(x|c) x P(c) / P(x)
我知道如何计算 P(c) class 先验概率，因为我们假设所有单词都是独立的，所以我们不需要 P(x)。
现在公式将是这样的：P(c|x) = P(x|c) x P(c) 为了计算 P(x|c)，我们使用可能性方法计算所有单词概率 P(c|X) = P(x1|c)P(x2|c)*P(x3|c)....
我的问题是在计算出可能性后是否需要将它与P(c)相乘，P(c|X) = P(x1|c)P(x2|c)*P(x3| c)...*P(c)?
P(c|x)不等于P(x|c) P(c)。它是 成比例的 ，就像在分类过程中一样
cl(x) = arg max_c P(c|x) = arg max_c P(x|c) P(c) / P(x) = arg max_c P(x|c) P(c)
这适用于每个概率分布，其中P(x)>0，此时不需要任何贝叶斯假设。这只是一个简单的贝叶斯定理+注意到 P(x) 只是这个等式中的一个正常数。
因此你从不实际计算P(c|x)，你只计算P(x|c) P(c)，这会给你相同的分类.我希望这表明你的分类 必须是 基于 P(x|c) 和 P(c) 的乘积，正如你指出的 P(x|c) = PROD_i P(x_i|c) （这里我们使用关于独立性的朴素贝叶斯假设，而不是之前）。
我正在class验证发票和收据，我将使用伯努利模型。
这是朴素贝叶斯class化器：
P(c|x) = P(x|c) x P(c) / P(x)
我知道如何计算 P(c) class 先验概率，因为我们假设所有单词都是独立的，所以我们不需要 P(x)。
现在公式将是这样的：P(c|x) = P(x|c) x P(c) 为了计算 P(x|c)，我们使用可能性方法计算所有单词概率 P(c|X) = P(x1|c)P(x2|c)*P(x3|c)....
我的问题是在计算出可能性后是否需要将它与P(c)相乘，P(c|X) = P(x1|c)P(x2|c)*P(x3| c)...*P(c)?
P(c|x)不等于P(x|c) P(c)。它是 成比例的 ，就像在分类过程中一样
cl(x) = arg max_c P(c|x) = arg max_c P(x|c) P(c) / P(x) = arg max_c P(x|c) P(c)
这适用于每个概率分布，其中P(x)>0，此时不需要任何贝叶斯假设。这只是一个简单的贝叶斯定理+注意到 P(x) 只是这个等式中的一个正常数。
因此你从不实际计算P(c|x)，你只计算P(x|c) P(c)，这会给你相同的分类.我希望这表明你的分类 必须是 基于 P(x|c) 和 P(c) 的乘积，正如你指出的 P(x|c) = PROD_i P(x_i|c) （这里我们使用关于独立性的朴素贝叶斯假设，而不是之前）。