naivebayes

0熱度

1回答

最近，我讀了一些關於K均值和樸素貝葉斯學習方法的文章，但我對如何將這兩種方法結合在一起感到困惑。例如，X（x1，x2，x3，...，xn）表示數據記錄。標籤表示數據記錄Xi所屬的類。假設有兩類，分別表示爲K1和K2。因此，我們總是有Xi（i∈[1，n]）屬於{K1，K2} 衆所周知，K均值方法可以對數據記錄X進行聚類。假設K = 2。具有Clx（Clx（i）∈{1,2}，i∈[1，n]）表示聚類結

1熱度

1回答

參數的'type'（字符）無效

這是關於該主題的錯誤消息。當我嘗試運行naive.bayes分類器時遇到此錯誤。這裏是我的訓練數據的彙總： 'data.frame': 7269 obs. of 193 variables: $ pid : int 2 4 5 7 10 11 14 18 25 31 ... $ acquir : int 0 0 0 0 1 1 0 0 0 0 ... $ addit : int 0 0

0熱度

1回答

naiveBayes和預測功能不工作在R

我正在使用下面的R腳本對Twitter評論（以哈薩克語）進行情感分析。 3000（1500sad，1500happy）對訓練集的評論和對測試集的1000（快樂悲傷混合）評論。一切都很好，但最終，預測值顯示出所有的樂趣，這是不對的。我已經檢查過每個功能，並且所有功能都正在運行，直到naiveBayes功能。我檢查了分類器值，它們是正確的。我認爲要麼naiveBayes或predict搞砸了。當我

1熱度

1回答

插入符號包分類器沒有響應

我試圖使用插入符號包的分類器對火車數據建模，但它很長時間沒有響應（我已經等了2個小時）。另一方面，它適用於其他數據集。這裏是鏈接到我的訓練數據：http://www.htmldersleri.org/train.csv（這是衆所周知路透21570數據集），我使用的命令是： model<-train(class~.,data=train,method="knn") 注：其他方法（例如：svm

-3熱度

1回答

樸素貝葉斯的用法預測模型

大家好，我是新來的斯卡拉和sparl MLIB。我有疾病diseses的數據集與在以下格式症狀沿着：病，symptom1 symptom2 symptom3 我幾乎300項，其是在一個上述格式CSV文件。我想要實現這個以下功能：如果用戶已經給sysmptoms的輸入即Symptom1，Symptom2，Symptom3模型必須能夠預測疾病。我有以下問題： 1）機器學習模型，我應該使用哪個

0熱度

1回答

理解算法 - 多項樸素貝葉斯

我已經介紹了樸素貝葉斯分類方法（Multinomial NB），並參考了Michael Sipser在其「計算理論」一書中如何描述它。我在看的培訓和應用多項NB描述的算法，現分述如下：然而，解釋算法的某些方面，當我來到一個損失。例如，在TRAINMULTINOMIALNB（C，d）第6行：究竟CONCATENATE_TEXT_OF_ALL_DOCS_IN_CLASS（d，C）嗎？到目前爲止

1熱度

2回答

樸素貝葉斯迴歸

我想知道，如果我可以應用樸素貝葉斯，迴歸問題，它將如何完成。我有4096個圖像特徵和384個文本特徵，如果我假設它們之間是獨立的，它不會很糟糕。任何人都可以告訴我如何繼續？

0熱度

1回答

樸素貝葉斯的問題

我試圖在R中運行樸素貝葉斯用於從文本數據進行預測（通過構建文檔術語矩陣）。我讀了幾篇關於訓練和測試集中可能缺失的術語的警告，因此我決定只使用一個數據框並在之後進行拆分。我正在使用的代碼是這樣的： data <- read.csv(file="path",header=TRUE) ########## NAIVE BAYES library(e1071) library(SparseM)

0熱度

1回答

如何使用sklearn中經過訓練的NB分類器預測電子郵件的標籤？

我在電子郵件（垃圾郵件/非垃圾郵件）數據集上創建了高斯樸素貝葉斯分類器，並能夠成功運行它。我對數據進行了矢量化，將它分爲訓練集和測試集，然後計算精度，這些特徵存在於sklearn-Gaussian樸素貝葉斯分類器中。現在我希望能夠使用此分類器來預測新電子郵件的「標籤」 - 無論它們是否是垃圾郵件。例如說我有一封電子郵件。我想把它提供給我的分類器，並預測它是否是垃圾郵件。我怎樣才能做到這一點？請

3熱度

2回答

瞭解樸素貝葉斯

我一直在環顧四周，似乎無法找到這個問題的答案：如果我訓練樸素貝葉斯是一些數據的分類器。然後我重新使用這個訓練數據作爲測試數據。我不應該獲得100％的分類成功嗎？謝謝閱讀！編輯：我似乎已經刺激了我的理解水平以上的討論。因此，我不認爲取決於「接受」答案的角色取決於我。不過，我很感謝您的意見，並會閱讀所有答案。