如何在朴素贝叶斯分类器中使用 k 折交叉验证？答案

【问题标题】：How to use k-fold cross validation in naive bayes classifier?如何在朴素贝叶斯分类器中使用 k 折交叉验证？
【发布时间】：2014-11-27 09:28:45
【问题描述】：

我正在尝试使用朴素贝叶斯分类器对文本进行分类，并且还想使用 k 折交叉验证来验证分类结果。但我仍然对如何使用 k 折交叉验证感到困惑。据我所知，k-fold 将数据划分为 k 个子集，然后将 k 个子集之一用作测试集，将其他 k-1 个子集放在一起形成一个训练集。我认为作为训练集，数据必须有标签才能训练。那么要使用k-fold交叉验证，需要的数据是有标签的数据吗？对吗？没有标签的数据呢？

【问题讨论】：

通常，对于任何监督学习，都需要对数据进行标记。再说一次，为了评估，需要对数据进行标记。
所以实际上在朴素贝叶斯中用于训练而不是测试的 k 折交叉验证？
那么您将使用 k-1 个子集训练朴素贝叶斯。创建模型后，您将使用剩余子集评估模型。该模型将预测一个类别，您可以将此预测结果与正确结果进行比较。

标签： classification cross-validation

【解决方案1】：

对于未标记的数据，您必须使用聚类方法，对于 nb，也许这段代码会对您有所帮助：

[testF, trainF] = kfolds(Features,k);
[testL, trainL] = kfolds(Label,k);
c = size(Features);
for i=1:k
    LabelTrain = trainL{i};
    LabelTest = testL{i};
    FeaturesTrain = trainF{i};
    FeaturesTest = testF{i};
    nb = NaiveBayes.fit(FeaturesTrain,LabelTrain);
    Class = predict(nb,FeaturesTest);
    predict_Class(i)=sum(Class==LabelTest);
end
predict_all = sum(predict_Class)/c(1);

kfolds 函数会将您的数据分成 k 个折叠。

干杯

【讨论】：