贝叶斯决策 贝叶斯公式（后验概率）： p(w)：每种类别分布的概率——先验概率； p(x|w)：某类别下x事件发生的概率——条件概率； p(w|x)：x事件已经发生，属于某类的概率——后验概率； 后验概率越大，说明x事件属于这个类的概率越大，就越有理由把事件x归到这个类下 后验概率越大，说明x事件属 ...
分类：
其他好文 时间：
2019-07-01 15:53:41
阅读次数：
127
贝叶斯定理是关于随机事件A和B的条件概率(或边缘概率)的一则定理。 例如：P(A|B)是在B发生的情况下A发生的可能性。 使用情况：贝叶斯定理用于投资决策分析是在已知相关项目B的资料，而缺乏论证项目A的直接资料时，通过对B项目的有关状态及发生概率分析推导A项目的状态及发生概率。等相关情况下使用。 贝 ...
分类：
其他好文 时间：
2019-06-20 14:24:55
阅读次数：
190
一对夫妇生了两个孩子，有一个是女生，求另外一个是男孩的概率。 显然是一个条件概率， "某个等不到车的可怜孩子" 说这不是一个sbt么，难道不是1/2？ 但是抱歉的是，即是他再怎么争执，答案仍旧是2/3。 但是我很生气，因为我没有解释清楚，我 ...
分类：
其他好文 时间：
2019-05-11 23:10:26
阅读次数：
163
CRF与NER简介 CRF，英文全称为conditional random field, 中文名为条件随机场，是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型，其特点是假设输出随机变量构成马尔可夫（Markov）随机场。 较为简单的条件 ...
分类：
其他好文 时间：
2019-04-30 14:04:22
阅读次数：
125
1.贝叶斯公式 条件概率 p(B|A)=p(AB)p(A) 则 p(AB)=p(A)p(B|A) 全概率公式 p(A)=p(B1)p(A|B1)+p(B2)p(A|B2)+...+p(Bn)p(A|Bn) 贝叶斯公式 p(Bi|A)=p(ABi)p(A)=p(A|Bi)p(Bi)Σj=0np(A|B ...
分类：
其他好文 时间：
2019-04-18 10:54:25
阅读次数：
209
Serval and Bonus Problem 1.转化为l=1，最后乘上l 2.对于一个方案，就是随便选择一个点，选在合法区间内的概率 3.对于本质相同的所有方案考虑在一起，贡献就是合法区间个数/(2*n+1) 4.运用条件概率或者直接解释，只需求出所有本质不同的方案的合法区间个数的和 5.DP ...
分类：
其他好文 时间：
2019-04-15 23:16:32
阅读次数：
186
$Beyas$定理 首先由条件概率的计算式有 $$Pr\{A|B\}=\frac{Pr\{A\cap B\}}{Pr\{B\}}$$ 结合交换律得到 $$Pr\{A\cap B\}=Pr\{B\}Pr\{A|B\}=Pr\{A\}Pr\{B|A\}$$ 移项得到 $$Pr\{A|B\}=\frac{ ...
分类：
其他好文 时间：
2019-04-02 22:42:20
阅读次数：
237
[TOC] 参考资料 http://www.cnblogs.com/pinard/p/6069267.html http://www.cnblogs.com/pinard/p/6074222.html 贝叶斯定理 学习贝叶斯分类之前，我们必须了解贝叶斯定理等相关的概率公式与含义。 条件概率公式 设A ...
分类：
其他好文 时间：
2019-03-10 20:30:06
阅读次数：
275
Seeing theory: https://seeing-theory.brown.edu/cn.html Python_ML_02_概率论与贝叶斯先验: https://www.cnblogs.com/tlfox2006/p/9874825.html 条件概率：A与B事件的交集/B事件。即B发生 ...
分类：
编程语言 时间：
2019-03-05 11:35:09
阅读次数：
217
上篇的CRF++源码阅读中， 我们看到CRF++如何处理样本以及如何构造特征。本篇文章将继续探讨CRF++的源码，并且本篇文章将是整个系列的重点，会介绍条件随机场中如何构造无向图、前向后向算法、如何计算条件概率、如何计算特征函数的期望以及如何求似然函数的梯度。本篇将结合条件随机场公式推导和CRF++ ...
分类：
其他好文 时间：
2019-01-28 20:14:53
阅读次数：
211
