Bayesian Naive Bayes
Bayesian Naive Bayes wendet eine vollständig bayesianische Behandlung der Parameter des klassischen Naive Bayes-Klassifikators an: Anstatt klassenbedingte Verteilungen mittels Maximum Likelihood zu schätzen, werden konjugierte Priors (typischerweise Dirichlet für kategoriale Daten oder Gauß-Gamma für kontinuierliche Daten) über die Parameter gelegt und diese integriert, wodurch prädiktive Posterior-Verteilungen erzeugt werden, die Unsicherheiten auf natürliche Weise quantifizieren und Overfitting bei kleinen Datensätzen vermeiden.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective (Ch. 3, 4). MIT Press. ISBN: 978-0-262-01802-9
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 8). Springer. ISBN: 978-0-387-31073-2
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Fully Bayesian Naive Bayes Classifier. ScholarGate. https://scholargate.app/de/machine-learning/bayesian-naive-bayes
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesian Logistic RegressionBayes-Statistik↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Logistische Regression (ML)Maschinelles Lernen↔ compare
- Semi-supervised Naive BayesMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →