共计 816 个字符，预计需要花费 3 分钟才能阅读完成。

本篇文章为大家展示了 如何理解 R 语言分类算法中的朴素贝叶斯分类，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

1. 朴素贝叶斯分类原理解析
根据已知的先验概率 P(A|B), 利用贝叶斯公式 P(B|A)=P(A|B)P(B)/P(A) 求出后验概率 P(B|A), 即该样本属于某一类的概率, 然后选择具有最大后验概率的类作为该样本所属的类.
也就是说, 对于给出的待分类样本, 求出在此样本出现条件下各个类别出现的概率, 哪个最大, 就认为此样本属于哪个类别.
其优势在于不怕噪声和无关变量, 不足之处在于, 它假设各个特征属性是无关的, 而现实情况往往不是如此.
2. 在 R 语言中的应用
朴素贝叶斯分类主要用到了 klaR 包里面的 NaiveBayes(formula,data,…,subset,na,action=na.pass) 函数。
3. 以 iris 数据集为例进行判别分析
1) 应用模型并观察结果

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

2) 做出密度曲线
plot(fit_Bayes1)

3) 预测分析并对模型进行评测

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

上述内容就是 如何理解 R 语言分类算法中的朴素贝叶斯分类，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注丸趣 TV 行业资讯频道。