Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Naive Bayes

El modelo Bayes naive con predictores gaussiano, multinomial o kernel

Los modelos Bayes Naive asumen que las observaciones tienen alguna distribución multivariada dada la membresía de clase, pero el predictor o las características que componen la observación son independientes. Este marco puede acomodar un conjunto de características completo de tal forma que una observación es un conjunto de recuentos multinomiales.

Para entrenar un modelo Bayes ingenuo, utilice en la interfaz de línea de comandos.fitcnb Después de entrenar, predecir etiquetas o estimar las probabilidades posteriores pasando el modelo y los Datos predictores a.predict

Aplicaciones

El alumno de clasificación

Entrenar modelos para clasificar los datos mediante el aprendizaje automático supervisado

Funciones

expandir todo

Crear modelo Bayes Naive

`fitcnb`	Train multiclase Bayes Ingenuo modelo
`compact`	Clasificador Bayes Ingenuo compacto

Validación cruzada

`crossval`	Clasificador Bayes ingenuo de validación cruzada
`kfoldEdge`	Margen de clasificación para observaciones no utilizadas para la formación
`kfoldLoss`	Pérdida de clasificación para observaciones no utilizadas para la formación
`kfoldfun`	Función de validación cruzada
`kfoldMargin`	Márgenes de clasificación para observaciones no utilizadas para la formación
`kfoldPredict`	Predecir la respuesta para observaciones no utilizadas para el entrenamiento

Medir el rendimiento

`loss`	Error de clasificación para el clasificador Bayes ingenuo
`resubLoss`	Pérdida de clasificación para clasificadores Bayes ingenuos mediante la representación
`logP`	Registre la densidad de probabilidad incondicional para el clasificador Bayes ingenuo
`compareHoldout`	Compare las precisiones de dos modelos de clasificación utilizando nuevos datos
`edge`	Borde de clasificación para clasificadores Bayes ingenuos
`margin`	Los márgenes de clasificación de los clasificadores Bayes ingenuos
`resubEdge`	Borde de clasificación para clasificadores Bayes ingenuos mediante el reenvío
`resubMargin`	Márgenes de clasificación de los clasificadores Bayes ingenuos mediante la representación

Clasificar las observaciones

`predict`	Predecir etiquetas utilizando el modelo de clasificación Bayes ingenuo
`resubPredict`	Predecir las etiquetas de reenvío del clasificador Bayes ingenuo

Clases

`ClassificationNaiveBayes`	La clasificación de Naive Bayes
`CompactClassificationNaiveBayes`	Clasificador Bayes Ingenuo compacto
`ClassificationPartitionedModel`	Modelo de clasificación de validación cruzada

Temas

Entrenar clasificadores Naive Bayes utilizando la aplicación clasificación aprendiz

Cree y compare los clasificadores Bayes ingenuos y exporte modelos entrenados para realizar predicciones para nuevos datos.

Flujo de trabajo de aprendizaje supervisado y algoritmos

Comprenda los pasos para el aprendizaje supervisado y las características de las funciones de clasificación y regresión no paramétricas.

Clasificación paramétrica

Los datos de respuesta categóricas

La clasificación Bayes Naive

El clasificador Bayes Ingenuo está diseñado para su uso cuando los predictores son independientes entre sí dentro de cada clase, pero parece funcionar bien en la práctica, incluso cuando esa suposición de independencia no es válida.

Trazar probabilidades de clasificación posterior

Este ejemplo muestra cómo visualizar las probabilidades de clasificación para el algoritmo de clasificación Bayes Naive.

Clasificación

En este ejemplo se muestra cómo realizar la clasificación mediante análisis discriminante, clasificadores Bayes ingenuos y árboles de decisión.

Visualice las superficies de decisión de diferentes clasificadores

Este ejemplo muestra cómo visualizar la superficie de decisión para diferentes algoritmos de clasificación.