朴素贝叶斯算法和逻辑回归算法的区别?
朴素贝叶斯算法和逻辑回归算法的区别?
1.两种算法的模型不同:
Naive Bayes是一个生成模型,在计算P(y|x)之前,先要从训练数据中计算P(x|y)和P(y)的概率,从而利用贝叶斯公式计算P(y|x)。
Logistic Regression是一个判别模型,它通过在训练数据集上最大化判别函数P(y|x)学习得到,不需要知道P(x|y)和P(y)。
2.两种算法建立条件不同:
Naive Bayes是建立在条件独立假设基础之上的,设特征X含有n个特征属性(X1,X2,...Xn),那么在给定Y的情况下,X1,X2,...Xn是条件独立的。
Logistic Regression的限制则要宽松很多,如果数据满徐条件独立假设,Logistic Regression能够取得非常好的效果;当数据不满度条件独立假设时,Logistic Regression仍然能够通过调整参数让模型最大化的符合数据的分布,从而训练得到在现有数据集下的一个最优模型。
22
3.两种算法时间复杂度和应用场景不同:
当数据集比较小的时候,应该选用Naive Bayes,为了能够取得很好的效果,数据的需求量为O(log n)
当数据集比较大的时候,应该选用Logistic Regression,为了能够取得很好的效果,数据的需求量为O( n)
Naive Bayes运用了比较严格的条件独立假设,为了计算P(y|x),我们可以利用统计的方法统计数据集中P(x|y)和P(y)出现的次数,从而求得P(x|y)和P(y)。因而其所需的数据量要小一些,为O(log n).
Logistic Regression在计算时,是在整个参数空间进行线性搜索的,需要的数据集就更大,为O( n)
朴素贝叶斯算法和逻辑回归算法的区别?相关推荐
- ML之NBLoR:利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)对Rotten Tomatoes影评数据集进行文本情感分析—五分类预测
ML之NB&LoR:利用NB(朴素贝叶斯).LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)对Rotten Tomatoes影评数据集进行文本情感分析-五分类预测 目录 输出结果 ...
- ML之NBLoR:利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+CountVectorizer)对Rotten Tomatoes影评数据集进行文本情感分析—五分类预测
ML之NB&LoR:利用NB(朴素贝叶斯).LoR(逻辑斯蒂回归)算法(+CountVectorizer)对Rotten Tomatoes影评数据集进行文本情感分析-五分类预测 目录 输出结果 ...
- NLP之TEA之NB/LoR:利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)对Rotten Tomatoes影评数据集进行文本情感分析—五分类预测
NLP之TEA之NB/LoR:利用NB(朴素贝叶斯).LoR(逻辑斯蒂回归)算法(+TfidfVectorizer)对Rotten Tomatoes影评数据集进行文本情感分析-五分类预测 目录 输出结 ...
- NLP之TEA之NB/LoR:利用NB(朴素贝叶斯)、LoR(逻辑斯蒂回归)算法(+CountVectorizer)对Rotten Tomatoes影评数据集进行文本情感分析—五分类预测
NLP之TEA之NB/LoR:利用NB(朴素贝叶斯).LoR(逻辑斯蒂回归)算法(+CountVectorizer)对Rotten Tomatoes影评数据集进行文本情感分析-五分类预测 目录 输出结 ...
- 机器学习算法 03 —— 逻辑回归算法(精确率和召回率、ROC曲线和AUC指标、过采样和欠采样)
文章目录 系列文章 逻辑回归 1 逻辑回归介绍 1.1 逻辑回归原理 输入 激活函数 1.2 损失以及优化 2 逻辑回归API介绍 3 案例:肿瘤良性恶性预测 4 分类模型的评估 4.1 分类评估方法 ...
- 朴素贝叶斯(Naiv Bayes)算法简介
贝叶斯算法是由英国数学家托马斯·贝叶斯提出的,这个算法的提出是为了解决"逆向概率"的问题.首先我们先来解释下正向概率与逆向概率的含义: 正向概率:假设一个箱子里有5个黄色球和5个白 ...
- 机器学习之KNN算法,朴素贝叶斯,决策树,SVM算法比较
KNN算法 knn = KNeighborsClassifier ( ) 朴素贝叶斯 gnb = GaussianNB ( ) 决策树 dtc = DecisionTreeClassifier ( ) ...
- 基于词典和朴素贝叶斯中文情感倾向分析算法
向AI转型的程序员都关注了这个号
- 逻辑回归算法python_逻辑回归算法原理和例子
本课程讲解现在工业界和学术界流行的机器学习算法的相关知识,以及如何用python去实现这些算法.算法的讲解包括supervised learning(有监督式学习)和unsupervised lear ...
最新文章
- SDUT -2605 A^X mod P(数论+思维)
- 80岁COBOL码农:扶我起来,这个bug我会修!
- scp linux 自动化,expect(spawn) 自动化git提交和scp拷贝---centos(linux)
- windows-server-2012R2离线中文语言包安装
- 15款最佳的 jQuery 分步引导插件
- python打印tensor_如何在TensorFlow中打印SparseTensor内容?
- Red5服务器端报错:无法解析类型ResourcePatternResolver
- 批处理基础知识-EXIT
- 智能家居APP设计规格
- 用K-Means和DBSCAN算法对西瓜数据集4.0进行聚类分析
- 谈谈量化交易的一些“深坑”
- Android高德地图点击大头针更换大头针图片
- python二级考试笔记_Python二级考试临时抱佛脚专用笔记——(一)数据表示与计算...
- Java刷题-蓝桥杯省赛第十一届JavaC组1---3
- linux添加五笔输入法,在Ubuntu16.04中为fctix小企鹅增加五笔输入法
- 计算机网络技术人工智能发展史,人工智能发展史
- Logstash:如何逐步构建自定义 grok 模式
- 使用SCA逆向VM虚拟机
- IBM 存储 V3500学习笔记
- 电影天堂React Native客户端V2.0
热门文章
- 【MVC模式】Front前端控制器模式、Jsp Model1 和 Jsp Model2、MVC思想
- java安全编码指南之:死锁dead lock
- JDK10的新特性:var泛型和多个接口实现
- python中bs4_python bs4库
- mysql虚拟列(Generated Columns)及JSON字段类型的使用
- MyBatis3 用log4j在控制台输出 SQL----亲测,真实可用
- java虚拟机性能监控调优及原则
- 数据库原理与应用(SQL Server)笔记 第五章 索引和视图
- 详解FTP服务完成Linux和WIN10之间的信息传输(实验详解)
- 用JAVAMAIL发送邮件的一个简单例子