通过单个特征计算概率
已知某人的天气情况与出行情况如下表。则这个人在阴天的天气下出门的概率？
分析：n = 样本总数，C1 = 出门，C2 = 不出门，A1 = 天气，A2 = 温度，A3 = 湿度，A4 = 风。
（1）统计各个特征在总样本中出现的概率。
根据表格可以直接得出：
（2）统计各个特征在类别为“出门”的概率。
（3）计算阴天、温度适宜、湿度高、无风的条件下出门的概率。
根据公式：
得：
（4）计算阴天、温度适宜、湿度高、无风的条件下不出门的概率。
（5）对比
相关文章
- 机器学习 -- 朴素贝叶斯（Ⅴ 朴素贝叶斯的多特征案例）
- 集成k-最近邻(k-NN)、朴素贝叶斯、Logistic回归、支持向量机(SVM)、决策树、随机森林、多层感知机的一个机器学习示例
- 《机器学习实战》第四章基于概率论的朴素贝叶斯
- 机器学习基础-朴素贝叶斯分类
- 机器学习：11.朴素贝叶斯-垃圾邮件分类
- 学习笔记155—机器学习之分类器——Matlab中各种分类器的使用总结（随机森林、支持向量机、K近邻分类器、朴素贝叶斯等）
- 机器学习实验1——朴素贝叶斯和逻辑回归分类Adult数据集-🧡🧡总结🧡🧡
- Python机器学习笔记：朴素贝叶斯算法
- 机器学习&数据挖掘笔记_18（PGM练习二：贝叶斯网络在遗传图谱在的应用）
- darktrace 亮点是使用的无监督学习（贝叶斯网络、聚类、递归贝叶斯估计）发现未知威胁——使用无人监督 机器学习反而允许系统发现罕见的和以前看不见的威胁，这些威胁本身并不依赖 不完善的训练数据集。 学习正常数据，发现异常！