Gaußscher Naive-Bayes-Klassifikator
Kombinieren Sie eingegeben unabhängige Gaussian Feature-Modelle in eine binäre Klasse posterior Score.
IHRE BERECHNUNG
Ergebnis
—
Rechenschritte
Gehen Sie die Schritte einzeln durch oder zeigen Sie die gesamte Berechnung an. Die Schritte verwenden Ihre aktuellen Eingaben.
Berechnungsmethode
Summe Gaußsche Logdichten und verwenden Sie eine stabile logistische Normalisierung der beiden Klassenwerte.
Log score difference=log(prior1/prior0)+Σ(log density1−log density0)
Rechenbeispiel
Gleiche Vorstrafen und identische Merkmalsverteilungen geben hintere Klasse1 Wahrscheinlichkeit0.5.
Annahmen und Hinweise zu den Eingaben
Nur eingegebene Modelle, bedingte Eigenschaft Unabhängigkeit, positive SDs und zwei Klassen. Keine Modellanpassung oder Kalibrierung/Genauigkeit Garantie; korrelierte Funktionen können die Punktzahl verzerren.
Hinweise zum Rechner
Kann ich eigene Werte eingeben?
Ja. Ersetzen Sie die Beispielwerte durch Ihre eigenen Eingaben. Ergebnis, Rechenschritte, Tabellen und gegebenenfalls Diagramme werden entsprechend aktualisiert. Bei leeren oder ungültigen Eingaben wird das Ergebnis gelöscht. Fehlende Angaben werden niemals unbemerkt durch Beispielwerte ersetzt.
Sind die Ergebnisse exakt?
Die Ergebnisse beruhen auf Gleitkommaarithmetik und werden für die Anzeige gerundet. Beachten Sie die Formel, die Annahmen und die gegebenenfalls angegebene Datengenauigkeit.
Werden meine Eingaben hochgeladen?
Die Berechnung erfolgt in Ihrem Browser. Ein Benutzerkonto, Datei-Uploads oder ein externer KI-Dienst sind nicht erforderlich. Beim Neuladen der Seite werden die Eingaben zurückgesetzt.
Fit binäre Ergebnisse gegen einen numerischen Prädiktor mit einer expliziten standardisierten L2-Slope Strafe und eine Abfrage Wahrscheinlichkeit zu bewerten.
Berechnen Sie eine normale Wahrscheinlichkeit unterhalb, oberhalb oder zwischen eingegebenen Werten. Siehe standardisierte z-Scores, eine Wahrscheinlichkeitsaufschlüsselung und eine Glockenkurve mit der ausgewählten Region.
Berechnen Sie Präzision, Rückruf, Spezifität, F1, Genauigkeit, ausgewogene Genauigkeit und MCC aus einer erklärten Positiv-Klasse Zähltabelle.
Reservierter Werbeplatz.