连续属性 - 朴素贝叶斯算法的分布

Question

我试图通过在MATLAB中编写自己的代码来实现Naive Bayes算法。我很困惑为其中一个连续属性选择的分布。它的值如下：

         MovieAge :
         1
         2
         3
         4
         ..
         10
         1
         11
         2
         12
         1
         3
         13
         2
         1
         4
         14
         3
         2
         5
         15
         4
         3
         6
         16
         5
         4
         ....
         32
         9
         3
         15

请告诉我哪些分发用于此类数据？在我的测试集中，此属性将包含未包含在训练数据中的值（有些时候）。怎么处理这个问题？谢谢 15

Answer 1

就像@ Ben的回答一样，从Histogram开始听起来不错。

我接受你的输入，直方图如下所示：

将您的数据保存到名为histdata的文本文件中，每个值一行：

用于生成图的Python代码：

import matplotlib.pyplot as plt
data = []
for line in file('./histdata'):
    data.append(int(line))

plt.hist(data, bins=10)
plt.xlabel('Movie Age')
plt.ylabel('Counts')
plt.show()

Answer 2

假设此变量采用整数值，而不是连续（基于示例），最简单的方法是直方图类型方法：某些值的概率是它在训练数据中出现的次数的一小部分。考虑一个高于某个数字的所有值的最终bin（根据您的示例可能大约20个）。如果您有零计数问题，请在所有计数中添加一个（如果您倾向于这样，可以将Dirichlet视为Dirichlet）。

对于参数形式，如果您更喜欢参数形式，则泊松分布是可能的。一个qq图，甚至是一个拟合优度测试，都会表明你的情况是多么合适，但我怀疑你用基于直方图的方法会更好。