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
