このペ,ジの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
templateNaiveBayes
単純ベ▪▪ズ分類器テンプレ▪▪ト
説明
例
入力引数
出力引数
詳細
アルゴリズム
予測子変数
j
が条件付き正規分布をも場合(名前と値の引数DistributionNames
を参照),クラス固有の加重平均,および加重標準偏差の不偏推定を計算することにより,この分布がデータに当てはめられます。各クラスkに対して以下を実行します。予測子jの加重平均は次のようになります。
ここでw我は観測値我の重みです。クラス内の重みは、その合計がクラスの事前確率になるように正規化されます。
予測子jの加重標準偏差の不偏推定器は次のようになります。
ここでz1 | kはクラスk内の重みの合計,z2 | kはクラスk内の重みの2乗の合計です。
すべての予測子変数が条件付き多項分布(
“DistributionNames”、“锰”
を指定)を構成する場合,代币袋モデルを使用して,この分布が当てはめられます。トクンj
がプロパティDistributionParameters {
のクラスk
,j
}k
に出現する確率が保存されます。加法平滑化[2]を使用すると,推定確率は次のようになります。ここで
はクラスkにおけるト,クンjの重み付き発生数です。
nkはクラスk内の観測数です。
は観測値我の重みです。クラス内の重みは、その合計がクラスの事前確率になるように正規化されます。
は,クラスkに含まれているすべてのト,クンの重み付き発生数の合計です。
予測子変数
j
が条件付き多変量多項分布を持場合,次のようになります。一意のレベルのリストが収集され,並べ替えられたリストは
CategoricalLevels
に保存され,各レベルはビンと見なされます。予測子とクラスの各組み合わせは,個別の独立した多項確率変数です。各クラス
k
に対して,CategoricalLevels {
に保存されたリストを使用して,カテゴリカルレベルごとの。j
}クラス
k
の予測子j
が,プロパティDistributionParameters {
においてレベルlをも場合,すべてのレベルの確率はk
,j
}CategoricalLevels {
に保存されます。加法平滑化[2]を使用すると,推定確率は次のようになります。j
}ここで
は,クラスk内の予測子jがLに等しい観測値の重み付き個数です。
nkはクラスk内の観測数です。
xij= lの場合は ,それ以外の場合は0です。
は観測値我の重みです。クラス内の重みは、その合計がクラスの事前確率になるように正規化されます。
米jは予測子jの異なるレベルの数です。
米kはクラスk内の重み付けされた観測値の数です。
参照
哈斯蒂、T.、R.蒂布谢拉尼和J.弗里德曼。统计学习的要素,第二版。纽约:施普林格,2008。