首頁猿問如何實現(xiàn)貝葉斯？

如何實現(xiàn)貝葉斯？

數(shù)據(jù)分析&挖掘深度學(xué)習(xí)

回首憶惘然 2019-06-12 17:28:24

大家好，我現(xiàn)在用R語言實現(xiàn)貝葉斯結(jié)構(gòu)學(xué)習(xí)。按照Bayesan Networks in R書上的代碼復(fù)制：arcs(ug, ignore.cycles = TRUE) = matrix(c("MECH", "VECT", "MECH", "ALG", "VECT", "MECH", "VECT", "ALG", "ALG", "MECH", "ALG", "VECT", "ALG", "ANL", "ALG", "STAT", "ANL", "ALG", "ANL", "STAT", "STAT", "ALG", "STAT", "ANL"), ncol = 2, byrow = TRUE, dimnames = list(c(), c("from", "to")))運行之后報錯為：Error in `arcs<-`(`*tmp*`, ignore.cycles = TRUE, value = c("MECH", "MECH", : unused argument (ignore.cycles = TRUE)請問是為什么？感謝解答

查看完整描述

2 回答

達(dá)令說

TA貢獻(xiàn)1821條經(jīng)驗獲得超6個贊

在python scikit-learn中（20180808更新）：

　樸素貝葉斯是一類比較簡單的算法，scikit-learn中樸素貝葉斯類庫的使用也比較簡單。相對于決策樹，KNN之類的算法，樸素貝葉斯需要關(guān)注的參數(shù)是比較少的，這樣也比較容易掌握。在scikit-learn中，一共有3個樸素貝葉斯的分類算法類。分別是GaussianNB，MultinomialNB和BernoulliNB。

其中GaussianNB就是先驗為高斯分布的樸素貝葉斯，MultinomialNB就是先驗為多項式分布的樸素貝葉斯，而BernoulliNB就是先驗為伯努利分布的樸素貝葉斯。

　　　　這三個類適用的分類場景各不相同，一般來說，如果樣本特征的分布大部分是連續(xù)值，使用GaussianNB會比較好。如果如果樣本特征的分大部分是多元離散值，使用MultinomialNB比較合適。而如果樣本特征是二元離散值或者很稀疏的多元離散值，應(yīng)該使用BernoulliNB。

反對回復(fù) 2019-06-12