参考文献：http://blog.csdn.net/zouxy09/article/details/8195017生成方法由数据学习联合概率密度分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测的模型，即生成模型：P(Y|X)= P(X,Y)/ P(X)。基本思想是首先建立样本的联合概率概率...
分类：
其他好文 时间：
2016-01-06 17:45:44
阅读次数：
165
1、前言： Naive Bayes（朴素贝叶斯）是一个简单的多类分类算法，该算法的前提是假设各特征之间是相互独立的。Naive Bayes 训练主要是为每一个特征，在给定的标签的条件下，计算每个特征在该标签的条件下的条件概率。最后用这个训练后的条件概率去预测。 由于我使用的Spark的版本是1......
分类：
其他好文 时间：
2016-01-05 15:34:01
阅读次数：
206
概率图模型（PGM）是一种对现实情况进行描述的模型。其核心是条件概率，本质上是利用先验知识，确立一个随机变量之间的关联约束关系，最终达成方便求取条件概率的目的。1.从现象出发---这个世界都是随机变量 这个世界都是随机变量。 第一，世界是未知的，是有多种可能性的。 第二，世界上一切都是相互...
分类：
其他好文 时间：
2015-12-29 22:31:12
阅读次数：
233
分享内容：关于集合的使用 书页号码：77页 题目：一个字符串中包含a~z中的多个字符，如有重复，如String data = "aavzcadfdsfsdhshgwasdfasdfddaaa",求出现次数最多的那个字母及次数，如有多个重复的则都求出。 1 import java.uti...
分类：
编程语言 时间：
2015-12-06 20:55:16
阅读次数：
184
朴素贝叶斯分类由条件概率：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。其基本求解公式为：。得出贝叶斯定理朴素贝叶斯的思想基础是：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。整个朴素贝叶斯分类分为三个阶段： ...
分类：
其他好文 时间：
2015-10-29 20:02:08
阅读次数：
208
为什么要用参数估计？在贝叶斯方法中，要事先估计先验概率和条件密度函数，然后再设计分类器。但是多数情况下训练样本数总是太少，而且当用于表示特征维数较高时，对条件密度函数的估计就会计算复杂度较高。因此，如果我们已经事先知道参数的个数，并且先验知识允许我们能够把条件概率密度参数化，就可以使问题难度显著降低...
分类：
其他好文 时间：
2015-10-26 22:16:15
阅读次数：
166
假设你在进行一个游戏节目。现给三扇门供你选择：其中一扇门后面是一个大奖（比如奥迪R8），另两扇门后面神马都没有。你不是托，所以你的目的当然是拿大奖，但是你显然不知道门后面是啥东东。主持人（虽然ta知道门后面都是啥，但ta就是不告诉你）先让你做第一次选择。在你选择了一扇门后，主持人并没有立刻打开这扇门...
分类：
其他好文 时间：
2015-10-23 22:57:40
阅读次数：
574
贝叶斯网络定了这样一个独立的结构：一个节点的概率仅依赖于它的父节点。贝叶斯网络更加适用于稀疏模型，即大部分节点之间不存在任何直接的依赖关系。联合概率，即所有节点的概率，将所有条件概率相乘：我们最终的目标是计算准确的边缘概率，比如计算Hangover的概率。在数学上，边缘概率被定义为各种状态下系统所有...
分类：
其他好文 时间：
2015-10-22 21:16:29
阅读次数：
223
贝叶斯统计都是以条件概率，联合概率为基础的，所以我们从概率，条件概率，联合概率开始，然后到贝叶斯定理，最后讲一个贝叶斯的应用--垃圾邮件的过滤概率：事件发生的可能性，比如抛一枚硬币，正面向上的可能性有50%，掷色子点数为6的可能性为1/6。我们用符号表示为P(A)条件概率：满足某些条件下事件发生的可...
分类：
其他好文 时间：
2015-10-17 23:36:12
阅读次数：
217
之前忘记强调重要的差异：链式法则的条件概率和贝叶斯网络的链式法则之间的差异条件概率链式法则P\left({D,I,G,S,L} \right) = P\left( D \right)P\left( {I\left| D \right.}\right)P\left( {G\left| {D,I} \r...
分类：
其他好文 时间：
2015-10-13 20:54:34
阅读次数：
321
