问题标签 [naivebayes]

我在 Weka 中对具有 15 个属性的 7000 个实例的数据集使用朴素贝叶斯分类器。使用 ZeroR 时，我的基线准确率为 87.5%。作为数据预处理的一部分，我用零均值和单位方差对数据集进行了归一化，应用过滤器来随机化数据集。我使用了训练（70%）和测试（30%）集，以及对整个数据集的 10 倍交叉验证，使用了监督离散化和属性选择，我得到的分类器的最佳准确率为 93.43%。这是对基线准确性的小改进吗？

我正在将推文分类为正面或负面意见。我听说朴素贝叶斯分类器通常用于分类，我想为我的项目编写自己的朴素贝叶斯分类器。因为，我是数据挖掘的新手，而且朴素贝叶斯分类器无法理解什么以及如何使用朴素贝叶斯。谁能帮我解决？？

我有一个包含 1600000 条推文的训练数据集。我该如何训练这种类型的海量数据。

我尝试过使用nltk.NaiveBayesClassifier. 如果我跑步，需要5天以上的时间来训练。

我应该怎么办？

我需要使用 SVM 和朴素贝叶斯对我的数据集进行分类。

我想使用的数据集：链接

样本（训练数据集）：

样本（测试数据集）：

如何有效地训练这个庞大的数据集？

我正在尝试使用朴素贝叶斯分类器在 Java 中使用 Weka 进行预测，代码如下：

JAVA

火车

预测

在GUI预测输出中

如何使用 Java 获得此输出？我需要使用哪种方法来获得这个？

我想使用 spark mllib naive bayes 来处理（训练和测试）这样的数据

男,疑酒,平日,12am-4am,75,30-39

这样我就可以测试标签男/女/未知。我想创建一个 LabeledPoint，以便可以针对 mllib 朴素贝叶斯算法运行此数据。spark站点上的示例

https://spark.apache.org/docs/1.0.0/mllib-naive-bayes.html

仅显示全为数字的数据。是否可以使用这样的字符串数据运行？我了解我的测试标签需要转换为双精度值，即男性/女性/未知 => 1.0 / 2.0 / 3.0

如果是这样，如何使用这种类型的语法将上面的 CSV 数据转换为 LabelPoint？

我们可以使用朴素贝叶斯对数值数据进行分类吗？我们有一个系统可以提取作者风格，如句子长度、词长，并用它来预测匿名文档的作者身份。那么我们可以使用朴素贝叶斯根据这些数字数据对作者进行分类吗？否则你能建议一个更好的选择。

我有一个任务：

使用朴素贝叶斯，我们在一些具有 2 个类的数据上构建了一个模型（模型返回 2 个概率——一个用于正类，一个用于负类）。我们计算了 ROC 曲线下面积 AUC = 0.8 和分类准确度 CA = 0.6，阈值设置为 0.5（如果某些示例的正类概率高于 0.5，我们预测该示例的正类，否则为负类）。然后我们发现，如果我们将阈值设置为 0.3，分类准确率变为 CA = 0.7。第二个阈值的 AUC 是多少？如果结果取决于初始数据，请提出所有可能性。

我该如何计算呢？

我有一个关于交叉验证的问题：我正在使用朴素贝叶斯分类器按作者对博客文章进行分类。当我在没有 k 折交叉验证的情况下验证我的数据集时，我得到 0.6 的准确度分数，但是当我进行 k 折交叉验证时，每个折页都会呈现更高的准确度（大于 0.8）。

例如：

（手动拆分）：验证集大小：1452，训练集大小：13063，准确度：0.6033057851239669

进而

（使用 k 折叠）：折叠 0 -> 训练集大小：13063，验证集大小：1452 准确度：0.8039702233250621（所有折叠都超过 0.8）

ETC...

为什么会这样？

我正在使用一个朴素贝叶斯模型，使用离散和连续变量的组合进行二元分类。我的问题是，我可以对连续和离散观察变量使用不同的条件概率分布 (CPD) 函数吗？例如，我对连续变量使用高斯 CPD，对离散变量使用一些确定性 CPD？

谢谢

我有两类句子。每个都有相当不同的 pos-tag 序列。如何以 POS-Tag 序列作为特征来训练朴素贝叶斯分类器？斯坦福 CoreNLP/NLTK（Java 或 Python）是否提供任何方法来构建具有 pos-tag 作为特征的分类器？我知道在 python 中NaiveBayesClassifier允许构建一个 NB 分类器，但它contains-a-word用作特征，但它可以扩展为使用 pos-tag-sequence 作为特征吗？