1、所谓决策树模型，是通过重要性依次向下绘出的，越重要的越在上面。 决策树有节点和有向边组成。结点有两种类型，内部节点和叶结点，内部节点表示一个属性，叶子节点表示一个类。 决策树的数学意义在于 ，条件概率分布。举一个简单的例子：一个人去银行贷款，他的年龄、收入、房子、车子都能决定他是否能贷到款。我们 ...
分类：
其他好文 时间：
2018-05-16 00:42:42
阅读次数：
189
目录 1.条件概率 2.独立性 3.全概率公式 4.贝叶斯公式 5.伯努利模型 6.随机变量的分布 7.分布函数 1.条件概率 2.独立性 3.全概率公式 4.贝叶斯公式 5.伯努利模型 6.随机变量的分布 离散： 连续： 两者关系： 7.分布函数 ...
分类：
其他好文 时间：
2018-05-04 11:58:04
阅读次数：
134
1. 微积分： 定积分与不定积分、全微分、最小二乘法、二重积分、微分方程与差分方程等... 2. 线性代数： 行列式、矩阵、向量、线性方程组、矩阵的特性和特性向量、二次型等... 3. 概率论和统计学： 期望、方差、协方差、条件概率的链式法则、全概率分布、贝叶斯公式等... ...
分类：
编程语言 时间：
2018-05-04 10:25:21
阅读次数：
250
根据《统计学习方法》一书中的描述，条件随机场（conditional random field, CRF）是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型，其特点是假设输出随机变量构成马尔科夫随机场。 条件随机场是一种判别式模型。 一、理解条件随机场 1.1 HMM简单介绍 HMM即 ...
分类：
其他好文 时间：
2018-05-03 19:29:38
阅读次数：
368
www.sohu.com/a/159976204_717210 生成模型：基于联合概率~共生关系判别模型：基于条件概率~因果关系 生成模型之学习数据分布：1)概率密度函数估计 2)数据样本生成 模型目标：训练模型，生成样本模型，学习过程是让两者接近解决问题： 数据缺失-因为可以用生成模型自己生成数据 ...
分类：
其他好文 时间：
2018-04-29 13:33:16
阅读次数：
206
1.理论基础——条件概率，词集模型、词袋模型 条件概率：朴素贝叶斯最核心的部分是贝叶斯法则，而贝叶斯法则的基石是条件概率。贝叶斯法则如下： 词集模型：对于给定文档，只统计某个侮辱性词汇（准确说是词条）是否在本文档出现 词袋模型：对于给定文档，统计某个侮辱性词汇在本文当中出现的频率，除此之外，往往还需 ...
分类：
其他好文 时间：
2018-04-26 12:08:21
阅读次数：
195
相同 逻辑回归和朴素贝叶斯都是对条件概率$p(y|X)$进行建模，使得最终的分类结果有很好的解释性。 不同 具体流程 + 逻辑回归： 假设$p(y=1|X)$满足逻辑函数$h(z)=1/(1+exp( z)),z=XW+b$，即$$p(y=1|X)=\frac{1}{1+exp( XW b)}$$， ...
分类：
其他好文 时间：
2018-04-20 23:29:55
阅读次数：
200
条件概率 首先，理解这两个公式的前提是理解条件概率，因此先复习条件概率。 P(A|B)=P(AB)P(B)P(A|B)=P(AB)P(B) 理解这个可以从两个角度来看。 第一个角度：在B发生的基础上，A发生的概率。那么B发生这件事已经是个基础的条件了，现在进入B已经发生的世界，看看A发生的概率是多少 ...
分类：
其他好文 时间：
2018-04-10 13:27:01
阅读次数：
154
1.条件概率 P(A/B)=P(B/A)*P(A)/P(B) 0.3*0.2/0.1 2.全概率公式 3.贝叶斯法则 以下问题将有助于你回顾在“贝叶斯法则”章节中学习到的知识。 1.条件概率 P(A/B)=P(B/A)*P(A)/P(B) 0.3*0.2/0.1 2.全概率公式 3.贝叶斯法则 以下 ...
分类：
其他好文 时间：
2018-04-09 13:23:36
阅读次数：
200
临时整理一下，以后会慢慢补 独立 独立：对于事件$A$和$B$，如果$P(AB)$=$P(A)P(B)$，那么称$A$和$B$是独立的。 所谓独立，即两事件的结果不会相互影响。从样本点的?度来考虑，即两者不包含相同的样本点。 条件概率 条件概率： 如果$P(B)>0$，那么$A$在$B$下的条件概率 ...
分类：
其他好文 时间：
2018-03-28 23:53:54
阅读次数：
237
