- 综合排序
- 最热优先
- 最新优先
- 来自专栏小数志
Naive Bayes——Naive在哪？
导读 经典机器学习算法中，Naive Bayes可占一席之地，也是唯一一个纯粹的概率分类算法模型。考虑其原理简单却不失强悍性能，Naive Bayes是个人最喜爱的算法之一——当然，另一个是决策树。 贝叶斯其人，据说只是业余数学家 Naive Bayes，中文译作朴素贝叶斯，这里Naive的原义是幼稚的，常常带有一点贬义的味道，用在这个算法命名中翻译为朴素，也称得上是一种包容了。 这就涉及到朴素贝叶斯的一个核心假设：朴素（Naive）！ 问题可描述为： 用机器学习语言描述：B1……Bn表示每一列特征取值，A代表分类标签结果。 最后，Naive Bayes中的Naive，难道仅表示各特征列相对独立的这一朴素的假设吗？其实不然！ 还有另外一层隐藏的含义在于：Naive Bayes还假设各特征对标签预测的重要程度（feature_importance）是一致的！ ?
79621发布于 2020-12-03 - 来自专栏算法修养
HUST 1606 - Naive
1606 - Naive 时间限制：3秒 内存限制：128兆 779 次提交 138 次通过 题目描述 Give you a positive integer x, determine whether
48460发布于 2018-04-26 - 来自专栏Python乱炖
MachineLearning---Naive Bayes
今天我们主要来一个比较“朴素”的算法，朴素贝叶斯（Naive Bayes），至于它为什么朴素我们待会儿再讲吧！ 首先，我们来看一下贝叶斯算法，它是干嘛的呢？
57240发布于 2019-09-23 - 来自专栏腾讯云容器专家服务的专栏
Cloud Naive最佳开发实践
经过多年的工作，我们的精神导师John领悟了java那一套docker in docker的艺术并带到golang项目架构设计中。
35210编辑于 2025-10-25 - 来自专栏多模态 / RAG / 知识图谱
RAG 系列 01 — Naive RAG
5.3生成阶段的完整流程图六、雷8：没有可观测性=在黑暗里调参Naive阶段不需要Langfuse那种重型工具，但最低标准是结构化日志，让你能回答三个问题：慢在哪一步？ 8.1为什么Naive阶段就要做我见过的失败RAG项目，90%都没有GoldenSet。 它们的命运都一样：凭感觉说"还行"用户投诉了才修修了不知道是不是真改善永远在调，永远不收敛最后老板说"换个团队吧"GoldenSet是你判断"Naive是不是够了"的唯一客观标准。 继续在Naive阶段调没用，去升级。 九、决策框架：何时停在Naive，何时必须升级9.1应该停留在Naive的场景场景理由单一产品FAQ文档同质化高内部小工具（<50用户）投入产出不划算真正的POC（≤1个月）验证业务价值文档高度规整（如
31422编辑于 2026-05-23 - 来自专栏ml
HDUOJ-------Naive and Silly Muggles
Naive and Silly Muggles Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others Naive and silly "muggles"(who have no talents in magic) should absolutely not get into the circle, nor
76560发布于 2018-03-21 - 来自专栏用户9199536的专栏
System|网络|Naive SEDA实现
SEDA是流水线化的事件驱动模型，能够异步地执行服务。和直接用事件驱动模型相比，SEDA更加去中心化与模块化。之前看了SEDA的论文，干脆拿Java NIO自己手撸个玩具实现吧
31550发布于 2021-11-22 - 来自专栏无限可能的程序开发
react-naive工作原理
react-naive工作原理是从react的工作原理衍生出来的 react的工作原理 在react中，virtual dom 就像一个中间层，介于开发者描述的视图与实际在页面上渲染的视图之间。
70110编辑于 2023-10-16 - 来自专栏互联网大杂烩
朴素贝叶斯(Naive Bayes)
CountVectorizer() X_train=vec.fit_transform(X_train) X_test=vec.transform(X_test) #导入朴素贝叶斯模型 from sklearn.naive_bayes mnb.predict(X_test) #分析分类性能 from sklearn.metrics import classification_report print('The accuracy of Naive
67010发布于 2018-08-22 - 来自专栏python3
朴素贝叶斯(Naive Bayesian
简介 Naive Bayesian算法 也叫朴素贝叶斯算法（或者称为傻瓜式贝叶斯分类） 朴素（傻瓜）：特征条件独立假设 贝叶斯：基于贝叶斯定理 这个算法确实十分朴素（傻瓜），属于监督学习,它是一个常用于寻找决策面的算法 在终端输入下面的代码安装sklearn pip install sklearn sklearn库官方文档http://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html [3, 2]]) >>> Y = np.array([1, 1, 1, 2, 2, 2]) #生成六个训练点，其中前三个属于标签（分类）1 后三个属于标签（分类）2 >>> from sklearn.naive_bayes classifier on the training features and labels ### return the fit classifier from sklearn.naive_bayes
75920发布于 2020-01-17 - 来自专栏向治洪
Naive Ui Admin前端集成框架
简介 Naive Ui Admin 是基于 vue3,vite2,TypeScript，搭配使用 Naive Ui 组件库形成一套开箱即用的中后台前端解决方案，Naive Ui Admin 遵守 Naive 工作台 表单页面 列表页面 异常页面 结果页面 设置页面 系统设置 菜单权限 角色权限 页面组件 ProTable 基础表格 上传图片 滑块验证码 持续开发中… 效果展示 naive-ui-admin - 熟悉 Vue 基础语法 TypeScript - 熟悉TypeScript基本语法 Es6+ - 熟悉 es6 基本语法 Vue-Router-Next - 熟悉 vue-router 基本使用 Naive-ui-admin - ui 基本使用 Mock.js - mockjs 基本语法 安装使用 获取项目代码 git clone https://github.com/jekip/naive-ui-admin.git 安装依赖 cd naive-ui-admin yarn install 运行 yarn dev 打包 yarn build Git 贡献提交规范 参考 vue 规范 (Angular) feat 增加新功能
2.1K30编辑于 2022-11-30 - 来自专栏小明的博客
朴素贝叶斯（Naive Bayes）
朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y)，具体方法是通过参数估计的方法学习类标签的先验概率和对应的条件概率分布，然后利用贝叶斯公式对后验概率进行计算，将后验概率最大的类进行输出。
49320编辑于 2022-09-05 - 来自专栏机器学习算法与Python学习
Machine Learning -- Naive Bayes(朴素贝叶斯)
************************************************************************************* 这是一个来自（维基百科）的Naive
1.1K50发布于 2018-04-04 - 来自专栏随便写写-kifuan
Naive UI 使用独立 API 后警告 inject
注意 main.ts 中的 app.use 也要用这个单独的文件暴露的 pinia 变量（也就是跨文件全局变量），之后再在调用 createDiscreteApi 的地方改成下面这种形式：
89510编辑于 2022-11-14 - 来自专栏Michael阿明学习之路
朴素贝叶斯法（Naive Bayes，NB）
自编程高斯贝叶斯预测", clf.predict(x), clf.predict_prob(x)) [2, 83] 自编程高斯贝叶斯预测 -1 0.9221912681158962 4. sklearn.naive_bayes import pandas as pd from sklearn.naive_bayes import GaussianNB from sklearn.naive_bayes import BernoulliNB from sklearn.naive_bayes import MultinomialNB for i in range(len(data[0])): data[1][i] = ord(data
1K20发布于 2020-07-13 - 来自专栏产品经理的人工智能学习库
朴素贝叶斯 – Naive Bayes classifier | NBC
最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。 和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。
1.3K01发布于 2019-12-18 - 来自专栏软件研发
朴素贝叶斯Naive Bayesian算法入门
朴素贝叶斯（Naive Bayesian）算法入门摘要：朴素贝叶斯算法是一种基于贝叶斯定理的分类算法，它假设各个特征之间相互独立。 codefrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes pythonCopy codeimport numpy as npfrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn.naive_bayes 朴素贝叶斯（Naive Bayesian）是一种基于贝叶斯定理和特征条件独立性假设的分类方法。虽然朴素贝叶斯方法在许多实际应用中表现出色，但它也存在一些缺点。 类似的分类算法包括：高斯朴素贝叶斯算法（Gaussian Naive Bayes）： 针对连续变量特征，使用高斯分布估计特征的概率分布，而不需要进行离散化处理。
72631编辑于 2023-10-25 - 来自专栏码匠的流水账
聊聊langchain4j的Naive RAG
序本文主要研究一下langchain4j的Naive RAG示例public class Naive_RAG_Example { /** * This example demonstrates how to implement a naive Retrieval-Augmented Generation (RAG) application * By "naive", we mean that we won't use any advanced RAG techniques. 就是我们不会使用任何高级的RAG技术，Easy RAG使用了EmbeddingStoreIngestor来隐藏了文档解析、分割、嵌入、嵌入存储，Naive RAG亦可使用。 小结langchain4j提供了EmbeddingStoreContentRetriever来开启Naive RAG的功能，EmbeddingStoreContentRetriever.builder(
42800编辑于 2025-03-19 - 来自专栏量子位
Too naive
夏乙 允中 编译整理 量子位 出品 | 公众号 QbitAI 让AI代替人类炒股，多么美妙的目标。 机器学习技术能在不需要人类预先编写规则的情况下，让计算机从数据中寻找模式。从机器人到天气预报，再到语言翻译，甚至开车，这项技术驱动着多个领域的进步。 为什么不能用它来搞定金融市场呢？ 这种想法，已经引发了投资公司之间的军备竞赛，各家本来就已经非常依赖数学的基金开始争抢他们所能找到的顶尖计算机科学家和统计学家。 这项技术一开始表现还不错。今年业绩最好的两家对冲基金——Quantitative Investmen
96941发布于 2018-03-23 - 来自专栏xiaosen
机器学习算法--朴素贝叶斯(Naive Bayes)
实验环境 1. python3.7 2. numpy >= '1.16.4' 3. sklearn >= '0.23.1' 朴素贝叶斯的介绍 朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一 warnings.filterwarnings('ignore') import numpy as np # 加载莺尾花数据集 from sklearn import datasets # 导入高斯朴素贝叶斯分类器 from sklearn.naive_bayes
67010编辑于 2024-03-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号