Question

我对NaïveBayes分类方法有疑问。我跑了，虽然我认为这是一个简单的例子，但遇到了障碍。

基本上这是我想要做的分类：

我希望能够获取一些培训数据：

input1 | input2 |  input3 | class
  1        3         3        1
  2        1         1        2
  1        1         1        3
  3        3         3        1

并将它们分类为1-3级。

据我所知，你先计算先验概率在这种情况下，类将是

class 1 = P(c_1) = 0.50
class 2 = P(c_2) = 0.25
class 3 = P(c_3) = 0.25

因此非常有意义。他们都加1和它的很容易看出这些数字的来源。

因此，由于这些值的数字性质，我想简化他们进入范围。所以我将我的数据重建为：

所以无论如何我到达那张桌子。继续贝叶斯部分：

P(Class 1 | avg_speed_1): 0.5
P(Class 1 | avg_speed_2): 0
P(Class 1 | avg_speed_3): 0
P(Class 2 | avg_speed_1): 0
P(Class 2 | avg_speed_2): 0.25
P(Class 2 | avg_speed_3): 0
P(Class 3 | avg_speed_1): 0
P(Class 3 | avg_speed_2): 0
P(Class 3 | avg_speed_3): 0.25
P(Class 1 | avg_distance_1): 0.5
P(Class 1 | avg_distance_2): 0
P(Class 1 | avg_distance_3): 0
P(Class 2 | avg_distance_1): 0
P(Class 2 | avg_distance_2): 0.25
P(Class 2 | avg_distance_3): 0
P(Class 3 | avg_distance_1): 0
P(Class 3 | avg_distance_2): 0
P(Class 3 | avg_distance_3): 0.25
P(Class 1 | avg_elev_gain_1): 0.5
P(Class 1 | avg_elev_gain_2): 0
P(Class 1 | avg_elev_gain_3): 0
P(Class 2 | avg_elev_gain_1): 0
P(Class 2 | avg_elev_gain_2): 0
P(Class 2 | avg_elev_gain_3): 0
P(Class 3 | avg_elev_gain_1): 0
P(Class 3 | avg_elev_gain_2): 0
P(Class 3 | avg_elev_gain_3): 0.5

现在这一切对我来说仍然有意义。然而，每个班级仍然增加到1 当我去计算每个班级的概率时，0会搞砸计算

以第一堂课为例：

P(Class 1 | avg_speed_1) *
P(Class 1 | avg_speed_2) *
P(Class 1 | avg_speed_3) *
P(Class 1 | avg_distance_1) *
P(Class 1 | avg_distance_2) *
P(Class 1 | avg_distance_3) *
P(Class 1 | avg_elev_gain_1) *
P(Class 1 | avg_elev_gain_2) *
P(Class 1 | avg_elev_gain_3) *
P(Class 1) = 0

我发现这总是等于零，因为有很多输入元素仍为零！我哪里做错了？！？这是否意味着我的训练数据不足？

话虽如此，NaïveBayes方法甚至是接近这种分类的正确方法？

任何想法都将不胜感激

朴素贝叶斯算法始终为0

0 个答案: