一、模型方法
本工程采用的模型方法为朴素贝叶斯分类算法，它的核心算法思想基于概率论。我们称之为“朴素”，是因为整个形式化过程只做最原始、最简单的假设。朴素贝叶斯是贝叶斯决策理论的一部分，所以讲述朴素贝叶斯之前有必要快速了解一下贝叶斯决策理论。假设现在我们有一个数据集，它由两类数据组成，数据分布如下图所示。
我们现在用p1(x,y)表示数据点(x,y)属于类别1（图中用圆点表示的类别）的概率，用p2(x,y)表示数据点(x,y)属于类别2（图中用三角形表示的类别）的概率，那么对于一个新数据点(x,y)，可以用下面的规则来判断它的类别：
如果 p1(x,y) > p
2021-04-29 09:27:14
229KB
1
基于Eclipse并使用Maven创建Hadoop工程。
1）训练集training.txt文件
该文件是一个大小为75.8MB的文本数据集，并包含了20,000,000条数据记录，每行数据中包含的信息为“评价结论\t 评价内容”。其中，“评价内容”是若干词语组合而成，词语之间是空格隔开，词语包括中文、英文以及其他特殊符号，即其内容为“word1 word2 word3 word4 …… wordn”，其中wordi表示当前文本描述中的第i个词，n为当前文本描述中包含的总词数。
2）测试集test.txt文件
给定“test.data”数据集，该数据集包含了2000条记录，每行记录中包含的信息为“评价内容”，该“评价内容”的具体表现形式与前文描述的“training.txt”数据集相同。
2021-04-28 23:03:21
3.65MB
1
这是我用python写的朴素贝页斯分类器（Naive Bayes classifier）
2021-04-25 08:53:47
20KB
1
监督分类_DT_GaussianNB
使用决策树和高斯朴素贝叶斯对葡萄酒数据集进行分类
2021-04-22 19:02:11
150KB
1
朴素贝叶斯算法的代码，将已有的数据进行分类，数据形式：第一列为类别，第二列到最后一列为特征属性，代码的运行结果可以给出准确率和分类结果，个人原创，可供学习也可以直接使用进行分类！
2021-04-21 12:05:52
2KB
1