朴素贝叶斯公式 Hmm隐马尔科夫 动态规划: 线性回归: 逻辑回归(sigmoid):在线性组合的基础上加了个非线性的激活函数，用于解决二分类问题，softmax，用于解决多分类问题。 集成学习(连续模型):针对错误的模型进行训练，设置多个模型，每个模型都有不同的权重，逐层进行逻辑回归、或则其他逐层 ...
分类：
编程语言 时间：
2017-04-02 11:35:31
阅读次数：
165
在 机器学习中的贝叶斯方法 先验概率、似然函数、后验概率的理解及如何使用贝叶斯进行模型预测（1） 文章中介绍了先验分布和似然函数，接下来，将重点介绍后验概率，以及先验概率、似然函数、后验概率三者之间的关系 贝叶斯公式。 在这篇文章中，我们通过最大化似然函数求得的参数 r 与硬币的抛掷次数(抛掷次数是 ...
分类：
其他好文 时间：
2017-04-01 21:53:23
阅读次数：
316
判别式模型（Discriminative Model）是直接对条件概率p(y|x;θ)建模。常见的判别式模型有 线性回归模型、线性判别分析、支持向量机SVM、神经网络等。 生成式模型（Generative Model）则会对x和y的联合分布p(x,y)建模，然后通过贝叶斯公式来求得p(yi|x)，然 ...
分类：
其他好文 时间：
2017-02-23 21:11:57
阅读次数：
222
贝叶斯分类是利用概率统计知识进行分类的算法，其分类原理是贝叶斯定理。贝叶斯定理的公式如下：贝叶斯公式表明，我们可以从先验概率P(A)、条件概率P(B|A)和证据P(B)来计算出后验概率。朴素贝叶斯分类器就是假设证据之间各个条件相互独立的基础上，根据计算的后验概率选择各类..
分类：
编程语言 时间：
2017-02-06 11:23:23
阅读次数：
211
（上接第二章） 2.3 分类算法：朴素贝叶斯 2.3.1 贝叶斯公式推导（略） 分类的流程： 第一阶段：训练数据生成训练样本集：TF-IDF 第二阶段：对每个类别计算p（yi）。 第三个阶段：对每个特征属性计算所有划分的条件概率 第四个阶段：对每个类别计算P(x|yi)P（yi）。 第五个阶段：以P ...
分类：
编程语言 时间：
2016-12-29 19:24:43
阅读次数：
242
一、一些概念 互信息： 两个随机变量x和Y的互信息，定义X, Y的联合分布和独立分布乘积的相对熵。 贝叶斯公式： 贝叶斯带来的思考： 给定某些样本D，在这些样本中计算某结论出现的概率，即 给定样本D 所以可以推出，再假定p(Ai)相等，可以推出，这个就是最大似然估计做的事情，看下取哪个参数的时候，D ...
分类：
其他好文 时间：
2016-12-18 18:06:26
阅读次数：
256
认知计算，还要从贝叶斯滤波的基本思想讲起。这一部分，我们先回顾贝叶斯公式的数学基础，然后再来介绍贝叶斯滤波器。 (一). 概率基础回顾 我们先来回顾一下概率论里的基本知识： 1. \( X \): 表示一个随机变量，如果它有有限个可能的取值\( \{x_1, x_2, \cdots, x_n \} ...
分类：
其他好文 时间：
2016-10-26 09:19:26
阅读次数：
502
条件概率： B发生前提下A发生的概率 P(A|B)=P(AB)/P(B) AB相互独立，P(AB)=P(A)*P(B) 贝叶斯公式： P(A|B)=P(B|A)*P(A)/P(B) [移项] 全概率公式： 把样本空间S分成若干个不相交部分（不重复不遗漏） P(A)=P(A|B1)*P(B1)+... ...
分类：
其他好文 时间：
2016-10-26 00:41:50
阅读次数：
147
一、古典概率，几何概率，统计概率相同性质。 二、概率论三公理 三、条件概率 四、乘法定理及推广 五、全概率公式 六、贝叶斯公式 七、独立事件的推论 另注意独立事件和事件互不相容的区分。 八、二项概率公式 九、 泊松逼近 证明： ...
分类：
其他好文 时间：
2016-10-09 06:58:24
阅读次数：
257
