问题描述
我正在尝试通过自己编写算法来学习朴素贝叶斯高斯机器学习算法。
我在实现中注意到，所有标签的最终预测概率总和不是1.0。实际上，我所有的预测概率都非常小，例如0.00000000000184大小。但是，从中选择最大尺寸可以为我提供高度准确的预测。
所以我试图让它们加1，我认为失败是因为我只使用了先验和似然计算。我忽略了分母中的标准化器。
这是我的数据集中的一个例子。列0-4是我的属性，列4是我的标签。
因此，我正在尝试包括normalizer。但是我不知道怎么做。我的标签列是分类的，因此我知道如何计算任何分类值具有的P（y）先验概率。
但是我的属性是真实值，那么如何计算任何此类真实属性的P（X）先验概率？这是我尝试实现的公式。我无法理解分母的计算。
解决方法
如果您设法为每个类y计算分子：P(x|y)P(y)。
那么分母P(X)就是所有类别y上这些总和：P(X)=sum_y ( P(x|y)P(y) )
请注意，NB算法是关于选择P(x|y)P(y)最高的y类。将这些结果除以P（X）不会改变结论，因此计算它可能不值得。
现在听起来您在计算P(x|y)时遇到问题。
这就是概率建模的地方。
一种可能性是，对于每个类别y，观察到的x都是独立的（即“天真”的意思）和高斯。
所以概率P(x/y) = product_i(f(x_i,m_y,s_y))
连续x_i的{{1}}的4个观测值中的每个观测值，高斯密度，以及x和m_y的均值和标准差y。