0

我面临的分类问题似乎适用于朴素贝叶斯分类器 (NBC)。但是，我有一个问题：通常 NBC 的工作原理是根据随机变量 X 的观察值 x 从一组 C 类中估计最可能的 C 类。

在我的情况下，我有多个变量 X1、X2，它们可能共享也可能不共享特征。变量 X1 可能具有特征 (xa,xb,xc)，X2 可能具有 (xc,xd)，另一个变量 X3 可能具有 (xe)。是否可以构建一个分类器，允许我同时对 X1、X2 和 X3 进行分类，尽管这些特征是相交的甚至是正交的？

这个问题可以从另一个角度来看：对于某些类，我缺少某些特征中的所有数据。考虑下表：

类 = {C1，C2}。
特征 = X = {X1,X2,X3}, X1={A,B}, X2={1,2}, X3={Y,N}

C1类：

X1    X2    X3  #observations
 A     1     ?         50  
 A     2     ?         20  
 B     1     ?         20  
 B     2     ?         10

C2类：

X1    X2    X3  #observations
 A     1     Y         20  
 A     1     N         0  
 A     2     Y         20  
 A     2     N         10  
 B     1     Y         10  
 B     1     N         20  
 B     1     Y         10  
 B     1     N         10

如您所见，X3 功能对 C1 类没有任何影响。在分类 C1 时，没有可用于特征 X3 的数据。我可以制作一个将 X=(A,2,N) 分类为 C1 和 C2 的分类器吗？我将如何计算 C1 类中 X3 缺失数据的条件概率？

4

0 回答 0