本文简述了以下内容： （一）非参数方法 （二）Parzen窗估计 （三）k近邻估计 （四）k近邻算法（k-nearest neighbor，kNN） （一）非参数方法（Non-parametric method） 对于生成模型来说，重要的地方在于类条件概率密度 $p(\textbf x|\omega ...
分类：
其他好文 时间：
2017-04-13 17:10:53
阅读次数：
1263
https://vjudge.net/problem/UVA-11181 题意： 有n个人准备去超市逛，其中第i个人买东西的概率是pi。逛完以后你得知有r个人买了东西。根据这一信息，请计算每个人实际买了东西的概率。 思路： "r个人买了东西"这个事件叫E，"第i个人买东西"这个事件为Ei，则要求的是 ...
分类：
其他好文 时间：
2017-04-08 20:42:58
阅读次数：
144
https://vjudge.net/problem/UVA-1636 题意： 首先在手枪里随机装了一些子弹，然后抠了一枪，发现没有子弹。你希望下一枪也没有子弹，是应该直接再抠一枪还是随机转一下再抠。 思路： 第一个是一个条件概率，再抠一枪没有子弹的概率是建立在前者已发生的情况下，利用公式,统计00 ...
分类：
其他好文 时间：
2017-04-08 18:33:56
阅读次数：
136
1、我认为会增加选中汽车的机会。 原因如下： 首先，选手直接选中车门的概率是三分之一。因此当选手已经选择车门的情况下，听从主持人更换，那么他得奖的可能性为0（因为剩下两个都是羊门）。根据条件概率公式，1/3*0=0。其次，选手选中羊门的概率是三分之二。而此时，选手选中羊门的情况下，主持人已经打开另一 ...
分类：
其他好文 时间：
2017-04-06 19:59:01
阅读次数：
130
上面是依据条件概率的相关理解编写的程序，下面是根据过程编写的程序； ...
分类：
其他好文 时间：
2017-03-28 18:57:03
阅读次数：
354
我理解的朴素贝叶斯模型 我想说：“任何事件都是条件概率。”为什么呢？因为我认为，任何事件的发生都不是完全偶然的，它都会以其他事件的发生为基础。换句话说，条件概率就是在其他事件发生的基础上，某事件发生的概率。 条件概率是朴素贝叶斯模型的基础。 假设，你的xx公司正在面临着用户流失的压力。虽然，你能计算 ...
分类：
其他好文 时间：
2017-03-23 23:25:15
阅读次数：
280
贝叶斯分类的基础——贝叶斯定理 这个定理解决了现实生活里经常遇到的问题：已知某条件概率(概率密度函数），如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。这里先解释什么是条件概率： 表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基 ...
分类：
其他好文 时间：
2017-03-09 15:18:44
阅读次数：
231
条件概率的精髓从这道题可以体现： 一个部件经销商从仓库购买部件。这些部件要么由A供应商生产，要么由B供应商生产，但部件上没有标识出是哪家供应商供应的。每次发货或每一批的所有零件都是由一个供应商生产的。平均来看，A供应商生产的产品中有2.5%的不合格品，B供应商生产的产品中有5.0%的不合格品。 仓库 ...
分类：
其他好文 时间：
2017-03-01 12:10:42
阅读次数：
271
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
上了一节陈欢欢老师的《信号与信息处理》，有一种“听君一席话，胜读十年书”的感觉，想尽量对于贝叶斯理解的更深刻一些，特地对课上的内容做以下总结。 贝叶斯定理的基本含义： 贝叶斯定理是由条件概率公式推导出来的，我们都知道条件概率公式为： ...
分类：
其他好文 时间：
2017-02-21 10:41:15
阅读次数：
158
