1. 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，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： P(A|B)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 ...
分类：
其他好文 时间：
2020-01-13 12:44:31
阅读次数：
79
系统学习机器学习书本知识--每周两章节，列表如下: 1.模式评估与选择 线性模型 2.决策树 神经网络 3.支持向量机 贝叶斯分类器 4.集成学习 聚类 5.降维与度量学习 特征选择与稀疏学习 6.计算学习理论 半监督学习 7.概率图模型 规则学习 8.强化学习 ...
分类：
其他好文 时间：
2019-12-29 18:52:15
阅读次数：
93
概括：朴素贝叶斯分类器(Naïve Bayes classifier)是一种相当简单常见但是又相当有效的分类算法，在监督学习领域有着很重要的应用。朴素贝叶斯是建立在“全概率公式”的基础下的，由已知的尽可能多的事件A、B求得的P(A|B)来推断未知P(B|A)，是的有点玄学的意思，敲黑板！！！ 优点： ...
分类：
其他好文 时间：
2019-12-13 14:20:21
阅读次数：
295
带你搞懂朴素贝叶斯分类算法 带你搞懂朴素贝叶斯分类算 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。这篇文章我尽可能用直白的话语总结一下我们学习会上讲到的朴素贝叶斯分类算法，希望有利于他人理解。 1 ...
分类：
编程语言 时间：
2019-11-11 00:28:24
阅读次数：
94
朴素贝叶斯分类器 (naive bayes classifier, NBC) 是一种常见且简单有效的贝叶斯分类算法。对已知类别，朴素贝叶斯分类器在估计类条件概率时假设特征之间条件独立。这样的假设，可以使得在有限的训练样本下，原本难以计算的联合概率 $P(X_1, X_2, \cdots, X_n | ...
分类：
其他好文 时间：
2019-11-07 19:14:57
阅读次数：
106
我们常常遇到一些这样的名词，比如说SVM（支持向量机），贝叶斯，k临近法。这些都是分类器，去查找这些名词时，你会找到一大推的数学公式，这瞬间劝退我这种数学不是太好的人，下面简单谈一下我的理解； 书上定义：在机器学习中，分类器作用是在标记好类别的训练数据基础上判断一个新的观察样本所属的类别。 什么意思 ...
分类：
其他好文 时间：
2019-10-10 10:43:14
阅读次数：
131
一、朴素贝叶斯 首先第一个问题，什么是朴素贝叶斯？ 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。而我们所想要实现的留言过滤其实是一种分类行为，是通过对于概率的判断，来对样本进行一个归类的过程。 朴 ...
分类：
其他好文 时间：
2019-09-29 22:13:00
阅读次数：
113
P(y|X)=P(y)*P(X|y)/P(X) 样本中的属性相互独立； 原问题的等价问题为： 数据处理为防止P(y)*P(X|y)的值下溢，对原问题取对数，即： 注意：若某属性值在训练集中没有与某个类同时出现过，则直接P(y)或P(X|y)可能为0，这样计算出P(y)*P(X|y)的值为0，没有可比 ...
分类：
其他好文 时间：
2019-09-28 00:43:45
阅读次数：
351
先验概率：基于已有知识对司机事件进行概率预估，但不考虑任何相关因素。 后验概率：基于已有知识对随机事件进行概率预估，并考虑相关因素P(c|X)。 7.1 贝叶斯决策论 贝叶斯决策论是概率框架下实施决策的基本方法。贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。 在样本x上的“条件风险 ...
分类：
其他好文 时间：
2019-09-25 12:40:23
阅读次数：
158
贝叶斯决策 首先来看贝叶斯分类，我们都知道经典的贝叶斯公式： 其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率；而为后验概率，表示某事发生了，并且它属于某一类别的概率，有了这个后验概率，我们就可以对样本进行分类。后验概率越大，说明某事物属于这个类 ...
分类：
其他好文 时间：
2019-09-11 14:06:30
阅读次数：
104
