Machine learning 带有矩阵的简单贝叶斯朴素分类器示例

我理解了一般公式：

P(i | x) =  (p(i)p(x|i))/(sum(p(j)(p(x|j))

但我无法成功地将其应用于此练习：

考虑两个类X1={（0,0）}和X2={（1,0）、（0,1）}的数据集。朴素贝叶斯分类器将为特征向量（0,0）产生哪些分类概率

---

我不明白在这种情况下p（1）和p（（0,0）| 1）会是什么。

朴素贝叶斯分类器不是贝叶斯公式！这是两个完全不同的概念

有很多书和教程解释NaiveBayes分类器。你为什么不阅读专业教师给出的解释，而不是让一些随机的互联网用户向你解释你的家庭作业呢？因为所有的书和“专业教师给出的解释”都使用不同的案例，比如现实世界中的案例（疾病、电子邮件垃圾邮件）。我不能把它应用到这个矩阵的例子中。事实上，我同意这个问题写得不是很好。我猜X1是类别1的培训示例，X2是类别2的示例。这使得p（1）是1类的先验概率，p（（0,0）| 1）是可能性。我猜这应该有个家庭作业，因为你的问题中没有矩阵。X1包含一个示例

（x，y）

：

（0,0）

，

X2

包含两个培训示例。我看到了包含2个类（X1和X2）、3个实例和2个属性的训练数据。我不得不承认，这个问题使用的语法与大多数书籍不同，但那又怎样呢。我会再次在回答中使用不同的语法。这不是家庭作业，我正在准备考试，这是以解p（1 |（0,0））=2/3为例给出的。。我只是想弄清楚如何得到这个答案。朴素贝叶斯分类器归结为多次计算贝叶斯公式，然后选择最大值。是的，朴素贝叶斯计算中使用了它，但它只是一个简单的计算工具，而不是朴素贝叶斯本身那样的概率模型。这是两个不同的概念——公式和模型。就像我用薛定谔方程计算氢原子光谱一样：我在解一个微分方程，但我用来解的工具（不管是什么数学工具）不是我所解的模型。