标签:
转载请注明出处http://blog.csdn.net/luoshixian099/article/details/51028244
首先介绍生成模型的概念,然后逐步介绍采用生成模型的步骤。
即对每一种类别
Ck 分别建立一种模型p(Ck|x) ,把待分类数据x分别带入每种模型中,计算后验概率p(Ck|x) ,选择最大的后验概率对应的类别。
假设原始数据样本有K类,生成学习算法是通过对原始数据类
二分类的情况:(K=2)
多类的情况:(K>2)
多分类的情况,是二分类的扩展,称为softmax函数。同样采用贝叶斯定理:
对于连续变量x,我们首先假设给定具体类条件下数据密度函数
二维高斯分布,相同方差,不同期望的三个图形。
实际上,无论是连续型数据还是下面将要介绍的离散型数据(朴素贝叶斯分类),只要假设的分布属于指数簇函数,都有广义线性模型的结论。
K=2时为sigmoid函数:参数
λ 为模型的固有参数
![]()
K>2时为softmax函数:
在假设了数据类密度函数
考虑二分类的情况:样本数据为
释然函数:
分别求偏导数并令为0,得:
参考:PRML
标签:
原文地址:http://blog.csdn.net/luoshixian099/article/details/51028244