条件随机场的概率计算问题是给定条件随机场 P(Y|X) ,输入序列 x 和输出序列 y ,计算条件概率 $P(y_i|x)$ , $P(y_{i-1},y_i|x)$ 以及相应的数学期望的问题。为了方便起见,像 HMM 那样,引进前向-后向向量,递归地计算以上概率及期望值。这样的算法称为前向-后向算... ...
分类:
其他好文 时间:
2016-08-30 21:12:10
阅读次数:
277
条件概率中的三个命题: 下面我们分条来解读一下这三个命题。 ...
分类:
其他好文 时间:
2016-08-14 23:58:15
阅读次数:
289
统计学习三要素:模型、策略、算法 模型分为概率模型(由条件概率表示的模型)和非概率模型(决策函数) 策略包括1、损失函数和风险函数;2、经验风险最小化与结构风险最小化 算法:根据相应的策略求解最优解,即求解最优化问题。 生成模型与判别模型 分类、回归、标注问题 K-近邻算法(KNN) 算法原理 优点 ...
分类:
其他好文 时间:
2016-08-08 07:40:06
阅读次数:
206
1,统计词出现的次数
1/计算类别的先验概率
*输入格式:类别+文档id+文档词(切分成A,b,c)
*输出格式:类别+文档出现次数+文档出现的词的总数
2/计算每个词的条件概率
*输入格式:类别+文档id+文档词(切分成A,b,c)
*输出格式:类别+词+词的总数
3/假设二分类问题-计算概率值
* 1类别+文档出现次数+文档出现的词的总数
* 2类别+...
分类:
其他好文 时间:
2016-06-29 11:21:45
阅读次数:
195
枚举,条件概率。 2^20次方等于100w,是大约可以没准还能过的。 二进制枚举时,如果买东西的人恰好为r个,设概率为p,就将sum[i]+=p(sum[i]为r个人买东西时第i个人买东西的概率),tot+=p(tot为r个人买东西的概率) 要求的就是sum[i]/tot。 P(第i个人实际买东西)... ...
分类:
其他好文 时间:
2016-06-11 17:26:39
阅读次数:
280
朴素贝叶斯: 有以下几个地方需要注意: 1. 如果给出的特征向量长度可能不同,这是需要归一化为通长度的向量(这里以文本分类为例),比如说是句子单词的话,则长度为整个词汇量的长度,对应位置是该单词出现的次数。 2. 计算公式如下: 其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是的计算方 ...
分类:
编程语言 时间:
2016-06-10 13:47:56
阅读次数:
353
目录:
1、朴素贝叶斯分类器的原理
2、朴素贝叶斯分类器的流程
3、朴素贝叶斯分类器的应用
4、朴素贝叶斯分类器的不足
5、其他贝叶斯分类器
先给一些基础知识:
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。其基本求解公式为:。
贝叶斯定理之所以有用,是因为我们在生活中经常遇到这种情况:我们可以很容易直...
分类:
其他好文 时间:
2016-06-04 13:40:06
阅读次数:
378
参考文献: http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_one.html 贝叶斯定理:计算“条件概率”公式 条件概率: 就是指在事件B发生的情况下,事件A发生的概率,用P(A|B)来表示 如图,事件B发生的情况下,事件 ...
分类:
其他好文 时间:
2016-05-23 21:18:17
阅读次数:
166
返回目录
上一篇:决策树
1. 简单理论介绍
1.1 贝叶斯定理
了解贝叶斯定理之前,需要先了解下条件概率。P(A|B)表示在事件B已经发生的条件下事件A发生的概率:
P(A|B)=P(AB) P(B)daf
afdfd
假如我们已经知道了P(A|B),但是现在我们想要求P(B|A),也就是在事件A发生的条件下事件B发生的概率,这时...
分类:
其他好文 时间:
2016-05-18 19:02:25
阅读次数:
137
Amazon Employee Access 数据分析报告报告摘要
目标:本分析旨在利用Amazon的员工编号相关信息,来分析和预测当员工申请访问某个编号的资源时,是否被允许访问。
方法: 在原有部分变量的基础上,利用特征工程的方法,新增了单变量、双变量、三变量、四变量出现的频率和变量出现的条件概率等变量,利用随机森林模型,对目标变量进行预测。
结论:
一、对于训练集数据分析发现,各变量之间存在着...
分类:
数据库 时间:
2016-05-13 03:22:59
阅读次数:
402