工作负载预测的朴素贝叶斯分类器

Question

我想使用朴素贝叶斯分类器用于预测设备（例如网卡）的工作负载。我有一系列代表请求到达时间的观察结果。该系列数据表示为0,1,1,1,0,0,1，...，其中1表示到达时间间隔，其大于断裂偶数时间和0表示间隔到达时间时间短于破解偶数时间。我想预测下一次到达间隔时间为短或长（短于休息时间或更长）。因此，我有两类，即短和长。我已经经历了朴素贝叶斯分类器的理论，但我对在MATLAB或C++中实现它感到困惑。我不知道我应该开始学习过程多少个特征/数据，以及如何计算预测课程的最大可能性。任何在这方面的帮助将不胜感激。

Answer 1

您可以从Markov Model开始。在马尔科夫模型中，你假定每个状态的概率只能由前一个状态给出。例如，在一系列类似000111100111你会得到以下的过渡事件：

  Xn=0 Xn=1 
X(n-1)=0  3  2 
X(n-1)=1  1  5 

写在概率：

  Xn=0 Xn=1 
X(n-1)=0 0.6 0.4 
X(n-1)=1 0.17 0.83 

而且你可以使用它作为一个功能：扫描所有的训练系列，并注意频率从0→0,0→1,1→0和1→1转变。对于分类，您可以查看查询字符串的最后一个状态，并查找转换矩阵中下一个状态为0或1的概率。并根据你选择更可能的状态。

即使认为这种方法很简单，它通常工作得很好。

一旦您使用前一位数字工作，您就可以开始查看前两位数字并将它们用作另一个功能。因此，对于例如转移矩阵可以看起来像：

     Xn=0 Xn=1 
X(n-2)=0, X(n-1)=0  1  2 
X(n-2)=0, X(n-1)=1  0  2 
X(n-2)=1, X(n-1)=0  1  0 
X(n-2)=1, X(n-1)=1  1  3 

而且你甚至可以将它扩展到最后三位数字等。

要功能结合在一起，你只是乘以所有的下一个状态的所有功能，同时为0的概率：

p(next is 0)=p1(next is 0)*p2(next is 0)*p3(next is 0)*...*pn(next is 0) 

，你同样可以计算出下一个状态将是概率为1：

p(next is 1)=p1(next is 1)*p2(next is 1)*p3(next is 1)*...*pn(next is 1) 

并选择更可能的状态。当然，你不必计算P（下一个是1）

p(next is 0)+p(next is 1)=1 

只是为了说明这种做法是怎么反对The New York Times计算机有效地发挥剪刀，石头，布，然后点击“看什么电脑正在思考“看到马尔科夫模型的实际应用。