标签：其他 image 不同 现在 输入 ati 应该 bubuko 增加
现在我们以宝可梦为例，宝可梦共有18中属性，如下：
上边的宝可梦输入是形象化的表示，我们应该讲宝可梦以计算机可以识别的数值进行输入
那么可能我们会问，为什么我们要预测宝可梦的类型呢，这是因为不同类型的宝可梦相遇时，他们是有属性相克的关系。
那么如何分类呢？我们之前提到过regression，可能会有人会按照regression的思路进行分类。
如果你按照上边的方式进行，你会遇到如下问题
那么我们应该怎么做呢？
本次不采用Perceptron 与 SVM，用另一种方式解决这个问题。
引子：
由上边可以延伸出
先算p(c1)与p(c2)，这一部分叫做prior。
接着算p（x | c1），如下：
下边简单的介绍高斯分布
那么怎么找到这个高斯分布呢？---->使用Maximum Likelihood
现在我们算我们实例的真正结果
有了上述结果，我们就可以分类了，分类依据如下
真实结果：从左至右，从上往下，第一张图是water 和normal 宝可梦的分布，第二张图是分类结果，第三个是在测试集上的分类结果，其中正确率只有47%，我们增加特征值，考虑7个维度的特征，最后结果的正确率也只有54%
这时候我们就应该将model优化
优化后的model结果如下：考虑7个特征，分类准确率由之前的54%上升到73%，确实性能优化。
现在我们回顾整个的思路
可能会有人问，为什么选高斯分布呢，当然也可以选择其他的分布
后验概率
补充一些高数知识
将sigmoid简化
最后可能会有这样的疑惑，在generative model里面，我们找到N1,N2,u1,u2,∑,得到w和b，然后就可以算概率。为什么我们不直接得到w和b呢？---->logistics regression会讲直接得到w 和b。
参考：http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2016/Lecture/Classification%20(v3).pdf
标签：其他 image 不同 现在 输入 ati 应该 bubuko 增加
原文地址：https://www.cnblogs.com/Terrypython/p/9394508.html
