歡迎來到 常識詞典網 ， 一個專業的常識知識學習網站！
[ Ctrl + D 鍵 ]收藏本站
答案 1：
謝謝你的邀請。你的問題我沒有完全看懂，我是這樣去理解你的問題的：用樸素貝葉斯方法如何對高維數據進行分類。樸素貝葉斯分類器本身并不能降維，它是一個分類器。你提供的數據應該在進行分類之前就已經做好了特征降維，特征降維的方法很多，你可以依據你的具體問題來選擇合適的降維方法。樸素貝葉斯要求各特征之間條件統計獨立，所以對高維數據降維后必須保證各特征之間的獨立性，這可以采用一組具有正交基特征的降維方法，如PCA。以兩分類為例，樸素貝葉斯分類器實際執行的一個線性判別函數，它是根據待判斷向量分屬于各個類別概率比值推演過來的，所以要做到概率為0理論上就不成立。另外，采用樸素貝葉斯分類需要知道各類別的先驗概率、各特征的類條件概率，所以實際操作起來基本上不可能，它更多的是一種理論指導。可能并沒有完全解決你的問題，希望有人完善，謝謝……答案 2：
實際上，維度高并不表示效果會差。原因可能是：一，對于機器學習而言，泛化性能收到樣本數量和代表性的影響，如果特征維度高，則訓練樣本的數量必須比較大，關于樣本數量和維度有個VC維的理論約束。二，對于樸素貝葉斯而言，需要假設各維度相互獨立，維度高的一個可能問題就是維度之間的獨立性會變差，造成樸素貝葉斯的假設不成立，從而效果不好；解決的辦法：一，從特征定義的物理意義出發，重新定義，減少特征之間的相關性；二，按照駱威所提到的，降維并進行特征挑選，但需要注意保持獨立性。三，增加具有代表性的訓練樣本。答案 3：
不大懂，沒學過模式識別下一篇:有哪些好方法可以說服盲從的人? 下一篇 【方向鍵 ( → )下一篇】
上一篇:關于自動化測試，包括頁面和客戶端，大家有什么更好的解決方案嗎？ 上一篇 【方向鍵 ( ← )上一篇】
快搜
