共計 816 個字符，預計需要花費 3 分鐘才能閱讀完成。

本篇文章為大家展示了 如何理解 R 語言分類算法中的樸素貝葉斯分類，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

1. 樸素貝葉斯分類原理解析
根據已知的先驗概率 P(A|B), 利用貝葉斯公式 P(B|A)=P(A|B)P(B)/P(A) 求出后驗概率 P(B|A), 即該樣本屬于某一類的概率, 然后選擇具有最大后驗概率的類作為該樣本所屬的類.
也就是說, 對于給出的待分類樣本, 求出在此樣本出現條件下各個類別出現的概率, 哪個最大, 就認為此樣本屬于哪個類別.
其優勢在于不怕噪聲和無關變量, 不足之處在于, 它假設各個特征屬性是無關的, 而現實情況往往不是如此.
2. 在 R 語言中的應用
樸素貝葉斯分類主要用到了 klaR 包里面的 NaiveBayes(formula,data,…,subset,na,action=na.pass) 函數。
3. 以 iris 數據集為例進行判別分析
1) 應用模型并觀察結果

library(klaR) fit_Bayes1=NaiveBayes(Species~.,data_train) fit_Bayes1[1:length(fit_Bayes1)]

2) 做出密度曲線
plot(fit_Bayes1)

3) 預測分析并對模型進行評測

pre_Bayes1=predict(fit_Bayes1,data_test) pre_Bayes1

table(data_test$Species,pre_Bayes1$class)
 error_Bayes1=sum(as.numeric(as.numeric(pre_Bayes1$class)!=as.numeric(data_test$Species)))/nrow(data_test)； error_Bayes1

上述內容就是 如何理解 R 語言分類算法中的樸素貝葉斯分類，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注丸趣 TV 行業資訊頻道。