3. As P(X) is constant for all clas

3. As P(X) is constant for all classes, only P(X|Ci)P(Ci) needs to be maximized. If the
class prior probabilities are not known, then it is commonly assumed that the classes
are equally likely, that is, P(C1) = P(C2) = ··· = P(Cm), and we would therefore
maximize P(X|Ci). Otherwise, we maximize P(X|Ci)P(Ci). Note that the class prior
probabilities may be estimated by P(Ci) = |Ci,D|/|D|, where |Ci,D| is the number of
training tuples of class Ci in D.
4. Given data sets with many attributes, it would be extremely computationally
expensive to compute P(X|Ci). To reduce computation in evaluating P(X|Ci), the
na¨ ıve assumption of class-conditional independence is made. This presumes that
the attributes’ values are conditionally independent of one another, given the class
label of the tuple (i.e., that there are no dependence relationships among the
attributes). Thus,
P(X|Ci) =
nY k=1
P(xk|Ci) (8.12)
= P(x1|Ci) × P(x2|Ci) × ··· × P(xn|Ci).
We can easily estimate the probabilities P(x1|Ci), P(x2|Ci),..., P(xn|Ci) from the
training tuples. Recall that here xk refers to the value of attribute Ak for tuple X. For
each attribute, we look at whether the attribute is categorical or continuous-valued.
For instance, to compute P(X|Ci), we consider the following:

Kết quả (Việt) 1:

3. như P(X) là liên tục cho tất cả các lớp học, chỉ P(X| CI)P(CI) cần được tối đa. Nếu cácxác suất trước lớp không được biết đến, sau đó nó thường giả định rằng các lớp họcđang có khả năng như nhau, nghĩa là P(C1) = P(C2) = ··· = P(Cm), và chúng tôi sẽ do đótối đa hóa P(X| CI). nếu không, chúng tôi tối đa hóa P(X| CI)P(CI). Lưu ý rằng trước khi lớp họcxác suất có thể được ước tính khoảng P(Ci) = | CI, D | / | D |, nơi | CI, D | là số lượngđào tạo tuples lớp Ci trong mất4. đưa ra bộ dữ liệu với thuộc tính nhiều, nó sẽ là cực kỳ computationallyđắt tiền để tính toán P(X| CI). để giảm bớt tính toán trong việc đánh giá P(X| CI), cácNa¨ giả định ıve của lớp-có điều kiện độc lập được thực hiện. Điều này presumes màCác giá trị của các thuộc tính là có điều kiện độc lập với nhau, cho các lớp họcCác nhãn hiệu của tuple (tức là, mà không có không có mối quan hệ phụ thuộc giữa cácthuộc tính). Vì vậy,P(X| CI) =nY k = 1P(XK| CI) (8,12)= P(x1| CI) × P(x2| CI) × ··· × P(xn| CI).Chúng tôi có thể dễ dàng ước tính xác suất P(x1| CI), P(x2| CI),..., P(xn| CI) từ cáctuples đào tạo. Nhớ lại xk đó ở đây đề cập đến giá trị của thuộc tính Ak cho tuple X. chomỗi thuộc tính, chúng tôi xem xét liệu các thuộc tính là phân loại hoặc liên tục có giá trị.Ví dụ, để tính toán P(X| CI), chúng ta hãy xem xét những điều sau đây:

Kết quả (Việt) 2:

3. Khi P (X) là hằng số cho tất cả các lớp học, chỉ có P (X | Ci) P (Ci) cần phải được tối đa. Nếu
xác suất trước lớp không được biết đến, sau đó nó thường được giả định rằng các lớp học
là đều có khả năng, đó là, P (C1) = P (C2) = ··· = P (Cm), và do đó chúng tôi sẽ
tối đa hóa P ( X | Ci). Nếu không, chúng tôi tối đa hóa P (X | Ci) P (Ci). Lưu ý rằng trước lớp
xác suất có thể được ước tính bằng P (Ci) = | Ci, D | / | D |, nơi | Ci, D | là số
bộ dữ liệu huấn luyện của lớp Ci trong D.
4. Với bộ dữ liệu với nhiều thuộc tính, nó sẽ là vô cùng tính toán
đắt tiền để tính P (X | Ci). Để giảm bớt tính toán trong việc đánh giá P (X | Ci), các
giả định Ive na độc lập đẳng cấp có điều kiện được thực hiện. Điều này giả định rằng
giá trị của thuộc tính này là điều kiện độc lập với nhau, cho lớp
nhãn của bộ (tức là, không có mối quan hệ phụ thuộc giữa các
thuộc tính). Do đó,
P (X | Ci) =
NY k = 1
P (xk | Ci) (8,12)
= P (x1 | Ci) × P (x2 | Ci) × ··· × P (xn | Ci).
Chúng tôi có thể dễ dàng ước tính xác suất P (x1 | Ci), P (x2 | Ci), ..., P (xn | Ci) từ các
bộ dữ liệu huấn luyện. Nhớ lại rằng đây xk đề cập đến giá trị của thuộc tính Ak cho tuple X. Ví
. Từng thuộc tính, chúng ta nhìn xem các thuộc tính là hạng mục hoặc liên tục có giá trị
Ví dụ, để tính P (X | Ci), chúng ta xem xét những điều sau đây: