贝叶斯公式分类c语言,朴素贝叶斯分类器精选.doc

贝叶斯公式分类c语言,朴素贝叶斯分类器精选.doc

朴素贝叶斯分类器精选

朴素贝叶斯分类器

Naive Bayesian Classifier

C语言实现

信息电气工程学院

计算本1102班

20112212465

马 振 磊贝叶斯公式

通过贝叶斯公式，我们可以的知在属性F1-Fn成立的情况下，该样本属于分类C的概率。

而概率越大，说明样本属于分类C的可能性越大。

若某样本可以分为2种分类A，B。

要比较P(A | ) 与 P(B | )的大小只需比较，P(A)P( A) ,与P(B)P( B) 。

因为两式分母一致。

而P(A)P( A)可以采用缩放为P(A)P(F1|A)P(F2|A).......(Fn|A)

因此，在分类时，只需比较每个属性在分类下的概率累乘，再乘该分类的概率即可。

分类属性outlook属性temperature属性humidity属性windnosunnyhothighweaknosunnyhothighstrongyesovercasthothighweakyesrainmildhighweakyesraincoolnormalweaknoraincoolnormalstrongyesovercastcoolnormalstrongnosunnymildhighweakyessunnycoolnormalweakyesrainmildnormalweakyessunnymildnormalstrongyesovercastmildhighstrongyesovercasthotnormalweaknorainmildhighstrong

以上是根据天气的4种属性，某人外出活动的记录。

若要根据以上信息判断

(Outlook = sunny,Temprature = cool,Humidity = high,Wind = strong)

所属分类。

P(yes| sunny ,cool ,high ,strong )=P(yes)P(sunny|yes)P(cool |yes)P(high|yes)P(strong|yes)/K

P(no| sunny ,cool ,high ,strong )=P(no)P(sunny|no)P(cool |no)P(high|no)P(strong|no)/K

K为缩放因子，我们只需要知道两个概率哪个大，所以可以忽略K。

P(yes)=9/14 P(no)=5/14

P(sunny|yes)=2/9 P(cool|yes)=1/3 P(high|yes)=1/3 P(strong|yes)=1/3

P(sunny|no)=3/5 P(cool|no)=1/5 P(high|no)=4/5 P(strong|no)=3/5

P(yes| sunny ,cool ,high ,strong)=9/14*2/9*1/3*1/3*1/3=0.00529

P(no| sunny ,cool ,high ,strong )=5/14*3/5*1/5*4/5*3/5=0.20571

No的概率大，所以该样本实例属于no分类。

2.数据结构及代码实现

1.属性及分类

我们限定分类器的属性不大于9个，每个属性拥有不大于9个值。于是，我们考虑采用一个9 X 9的表格存储属性及其值。

属性1值1值2值3值4值5值6值7值8值9属性2值1值2值3值4值5值6值7值8值9属性3值1值2值3值4值5值6值7值8值9属性4值1值2值3值4值5值6值7值8值9属性5值1值2值3值4值5值6值7值8值9属性6值1值2值3值4值5值6值7值8值9属性7值1值2值3值4值5值6值7值8值9属性8值1值2值3值4值5值6值7值8值9属性9值1值2