贝叶斯定理是由英国数学家贝叶斯提出的公式，用于描述两个事件之间的关系： 按照乘法法则，可以立刻导出：P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B) 如上公式也可变形为：P(B|A) = P(A|B)*P(B) / P(A) 按这些术语，Bayes法则可表述为： 后验概率 = (似然... ...
分类：
其他好文 时间：
2016-07-31 17:29:24
阅读次数：
230
本文主要描述了朴素贝叶斯分类方法，包括模型导出和学习描述。实例部分总结了《machine learning in action》一书中展示的一个该方法用于句子感情色彩分类的程序。1
方法概述学习（参数估计）实现：朴素贝叶斯下的文本分类
模型概述
朴素贝叶斯方法，是指朴素：特征条件独立贝叶斯：基于贝叶斯定理
根据贝叶斯定理，对一个分类问题，给定样本特征x，样本属于类别y的概率是...
分类：
其他好文 时间：
2016-07-19 10:48:55
阅读次数：
187
朴素贝叶斯算法是基于贝叶斯定理的算法，贝叶斯定理如下： \[P(Y|X) = \frac{P(X,Y)}{P(X)} = \frac{P(Y) \cdot P(X|Y)}{P(X)}\] 朴素贝叶斯是这样执行的，假设 $X$ 为数据的特征 其中每一维度均可看做一个随机变量，即 $X_1= x_1,X ...
分类：
其他好文 时间：
2016-07-01 16:03:08
阅读次数：
128
今天，也没出去，晚上宿舍没有人，自己思考了下人生，毕设还是大事，觉得现在有必要把LDA从前往后彻彻底底的读一遍了，因为现在的感觉就是什么都知道一点皮毛，但是理解的都不深，LDA好像（恩，相当不好）现在理解的不是很好，涉及的内容挺多，细分的话有： 1）参数估计 MLE MAP 2）Bayes Esti ...
分类：
其他好文 时间：
2016-06-05 23:00:41
阅读次数：
293
1、朴素贝叶斯方法，首先要明确是用于分类任务。 在机器学习中，但凡遇到分类问题，所有的方法都关注两部分，即：待分类输入向量的特征和训练向量集中的每个类别的特征。 变量不过就是，特征数的多少，类别的多少，训练样本的多少。 朴素贝叶斯方法在处理这个问题时，采用的思路是概率化的，即每一个输入向量既可能属于 ...
分类：
其他好文 时间：
2016-06-04 20:46:01
阅读次数：
168
TF-IDF Algorithm From http://www.ruanyifeng.com/blog/2013/03/tf-idf.html Chapter 1, 知道了"词频"（TF）和"逆文档频率"（IDF）以后，将这两个值相乘，就得到了一个词的TF-IDF值。某个词对文章的重要性越高，它的 ...
分类：
其他好文 时间：
2016-06-02 11:24:14
阅读次数：
194
实验简介 本次课程学习了Mahout 的 Bayes 分类算法。 一、实验环境说明 1. 环境登录 无需密码自动登录，系统用户名 shiyanlou 2. 环境介绍 本实验环境采用带桌面的Ubuntu Linux环境，实验中会用到桌面上的程序： XfceTerminal: Linux 命令行终端，打 ...
分类：
编程语言 时间：
2016-05-23 16:52:11
阅读次数：
206
上一篇博文已经讲了贝叶斯滤波的原理以及公式的推导：http://www.cnblogs.com/JunhaoWu/p/bayes_filter.html 本篇文章将从贝叶斯滤波引入到粒子滤波，讲诉粒子滤波的原理。 前面我们已经提到，将跟踪目标的运动看作是一个动态系统。系统的状态以目标的状态来表示。这 ...
分类：
其他好文 时间：
2016-05-14 12:41:35
阅读次数：
139
Bayes贝叶斯
一、Bayes小故事
贝叶斯(约1701-1761) Thomas Bayes，英国数学家。约1701年出生于伦敦，做过神甫。1742年成为英国皇家学会会员。1761年4月7日逝世。
贝叶斯定理在概率统计是最经典的内容之一，但是本人却是一个谜团。没人知道他是怎么当选英国皇家学会会士，也没有记录表明他发表过任何科学或数学论文，据说他从事数学研究的目...
分类：
其他好文 时间：
2016-05-12 12:45:16
阅读次数：
376
贝叶斯网络 作者：樱花猪 摘要 本文为七月算法（julyedu.com）12月机器学习第十三次次课在线笔记。贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。贝叶斯网络适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以 ...
分类：
其他好文 时间：
2016-05-04 21:07:37
阅读次数：
216
