高斯朴素贝叶斯解释：初学者的带有代码示例的可视化指南

分类算法

高斯幼稚的贝叶斯，解释：一个带有代码示例的初学者的视觉指南

钟形假设，用于更好的预测

⛳️更多分类算法，解释了：·虚拟分类器·最近的邻居分类器·伯诺利（Bernoulli）幼稚的贝叶斯▶高斯幼稚贝叶斯·决策树分类器

虚拟分类器 K最近的邻居分类器 Bernoulli幼稚的贝叶斯 高斯幼稚贝叶斯 决策树分类器 逻辑回归 支持向量分类器

在我们上一篇关于处理二进制数据的文章上的文章上，我们现在探索高斯幼稚的贝叶斯以获取连续数据。与二进制方法不同，该算法假定每个特征都遵循正常（高斯）分布。

在这里，我们将看到高斯幼稚的贝叶斯如何处理连续的，钟形的数据 - 在准确的预测中响起 - 都没有进入贝叶斯定理的复杂数学。

而无需进入复杂的数学

所有视觉效果：使用Canva Pro创建的作者。针对移动设备进行了优化；可能会出现在桌面上。

定义

像其他天真的贝叶斯变体一样，高斯天真的贝叶斯也是特征独立性的“天真”假设。它假设特征在班级标签上是有条件独立的。

但是，尽管Bernoulli幼稚的贝叶斯适合具有二进制特征的数据集，但高斯天真的贝叶斯假设该特征遵循连续的正常（高斯）分布。尽管这种假设在现实中可能并不总是正确的，但它简化了计算，并且通常会导致出人意料的准确结果。

连续的正常（高斯）

bernoulli nb假定二进制数据，多项式NB可与离散计数一起工作，而高斯NB则使用正态分布的连续数据。

使用的数据集

列：“ Rainfallamount”（以毫米为单位），“温度”（在Celcius），“湿度”（以％），“ Windspeed”（以km/h为单位）和“ play”（是/否，目标特征）

主要机制

先生