naivebayes

0热度

1回答

最近，我读了一些关于K均值和朴素贝叶斯学习方法的文章，但我对如何将这两种方法结合在一起感到困惑。例如，X（x1，x2，x3，...，xn）表示数据记录。标签表示数据记录Xi所属的类。假设有两类，分别表示为K1和K2。因此，我们总是有Xi（i∈[1，n]）属于{K1，K2} 众所周知，K均值方法可以对数据记录X进行聚类。假设K = 2。具有Clx（Clx（i）∈{1,2}，i∈[1，n]）表示聚类结

1热度

1回答

参数的'type'（字符）无效

这是关于该主题的错误消息。当我尝试运行naive.bayes分类器时遇到此错误。这里是我的训练数据的汇总： '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热度

1回答

naiveBayes和预测功能不工作在R

我正在使用下面的R脚本对Twitter评论（以哈萨克语）进行情感分析。 3000（1500sad，1500happy）对训练集的评论和对测试集的1000（快乐悲伤混合）评论。一切都很好，但最终，预测值显示出所有的乐趣，这是不对的。我已经检查过每个功能，并且所有功能都正在运行，直到naiveBayes功能。我检查了分类器值，它们是正确的。我认为要么naiveBayes或predict搞砸了。当我

1热度

1回答

插入符号包分类器没有响应

我试图使用插入符号包的分类器对火车数据建模，但它很长时间没有响应（我已经等了2个小时）。另一方面，它适用于其他数据集。这里是链接到我的训练数据：http://www.htmldersleri.org/train.csv（这是众所周知路透21570数据集），我使用的命令是： model<-train(class~.,data=train,method="knn") 注：其他方法（例如：svm

-3热度

1回答

朴素贝叶斯的用法预测模型

大家好，我是新来的斯卡拉和sparl MLIB。我有疾病diseses的数据集与在以下格式症状沿着：病，symptom1 symptom2 symptom3 我几乎300项，其是在一个上述格式CSV文件。我想要实现这个以下功能：如果用户已经给sysmptoms的输入即Symptom1，Symptom2，Symptom3模型必须能够预测疾病。我有以下问题： 1）机器学习模型，我应该使用哪个

0热度

1回答

理解算法 - 多项朴素贝叶斯

我已经介绍了朴素贝叶斯分类方法（Multinomial NB），并参考了Michael Sipser在其“计算理论”一书中如何描述它。我在看的培训和应用多项NB描述的算法，现分述如下：然而，解释算法的某些方面，当我来到一个损失。例如，在TRAINMULTINOMIALNB（C，d）第6行：究竟CONCATENATE_TEXT_OF_ALL_DOCS_IN_CLASS（d，C）吗？到目前为止

1热度

2回答

朴素贝叶斯回归

我想知道，如果我可以应用朴素贝叶斯，回归问题，它将如何完成。我有4096个图像特征和384个文本特征，如果我假设它们之间是独立的，它不会很糟糕。任何人都可以告诉我如何继续？

0热度

1回答

朴素贝叶斯的问题

我试图在R中运行朴素贝叶斯用于从文本数据进行预测（通过构建文档术语矩阵）。我读了几篇关于训练和测试集中可能缺失的术语的警告，因此我决定只使用一个数据框并在之后进行拆分。我正在使用的代码是这样的： data <- read.csv(file="path",header=TRUE) ########## NAIVE BAYES library(e1071) library(SparseM)

0热度

1回答

如何使用sklearn中经过训练的NB分类器预测电子邮件的标签？

我在电子邮件（垃圾邮件/非垃圾邮件）数据集上创建了高斯朴素贝叶斯分类器，并能够成功运行它。我对数据进行了矢量化，将它分为训练集和测试集，然后计算精度，这些特征存在于sklearn-Gaussian朴素贝叶斯分类器中。现在我希望能够使用此分类器来预测新电子邮件的“标签” - 无论它们是否是垃圾邮件。例如说我有一封电子邮件。我想把它提供给我的分类器，并预测它是否是垃圾邮件。我怎样才能做到这一点？请

3热度

2回答

了解朴素贝叶斯

我一直在环顾四周，似乎无法找到这个问题的答案：如果我训练朴素贝叶斯是一些数据的分类器。然后我重新使用这个训练数据作为测试数据。我不应该获得100％的分类成功吗？谢谢阅读！编辑：我似乎已经刺激了我的理解水平以上的讨论。因此，我不认为取决于“接受”答案的角色取决于我。不过，我很感谢您的意见，并会阅读所有答案。