Я пытаюсь построить свой собственный экспортер pmml для модели Naive Bayes, которую я построил в scikit learn. При чтении документации PMML кажется, что для каждого вектора признаков вы можете либо выводить модель в терминах данных счета, если она дискретна, либо как распределение Гаусса/Пуассона, если она непрерывна. Но коэффициенты моей модели изучения scikit находятся в терминах эмпирической логарифмической вероятности признаков i.e p (y | x_i). Можно ли указать входные параметры Байеса в терминах этой вероятности, а не считать?наивные заливы особенности векторы в pmml
0
A
ответ
1
Поскольку представление PMML модели Naive Bayes реализует совместные вероятности через элемент «PairCounts», можно просто заменить это отношение с выходом вероятностей (а не лог-вероятностью). Поскольку конечные вероятности нормированы, разница не имеет значения. Если требования включают в себя большое количество возможностей, которые в основном равны 0, атрибут «пороговый» модели может использоваться для установки значений по умолчанию для таких вероятностей.
Смежные вопросы
- 1. Наивные заливы Классификация в Python
- 2. наивные заливы для оценки прогноза
- 3. Как интерпретировать наивные заливы в weka?
- 4. NLTK Наивные заливы Классификатор странных результатов
- 5. Наивные заливы и расчет условной вероятности
- 6. Использовать наивные заливы для численных атрибутов
- 7. scikit учиться использовать многокомпонентные наивные заливы для классификатора триграмм?
- 8. тип текста независимая переменная до числового типа искра наивные заливы
- 9. наивные заливы, 15 функций по 35-дюймовому набору данных - 7 классов
- 10. Наивные заливы scikit узнают предупреждение «Отказ: Предупреждение: Передача 1-го массива»
- 11. Особенности Векторы для построения классификатора для определения субъективности
- 12. Интегрируйте PMML в MongoDB
- 13. Создание PMML в WEKA
- 14. Простые правила в PMML
- 15. Загрузка файлов Особенности Особенности
- 16. Образец Accord.NET Наивные-Байеса
- 17. Улучшение наивные реализации QSort
- 18. Использовать гауссовские наивные байесы
- 19. Наивные проверки простоты Оптимизация
- 20. Экспортировать PMML в текстовый файл?
- 21. Создание PMML в модуле Knime
- 22. еще пункт в PMML derivedfield
- 23. Преобразовать объект-участник в pmml
- 24. R PMML точность точности
- 25. python nltk наивные вероятности байков
- 26. Векторы
- 27. Наивные ошибки в байках и логистической регрессии
- 28. Экспорт Spark ml и PMML
- 29. PMML sklearn2pmml error in python2.7
- 30. Особенности MsBuild