from sklearn.datasets import load_sample_image import matplotlib.pyplot as plt from sklearn.cluster import KMeans import numpy as np flower=load_sampl... ...
分类：
编程语言 时间：
2018-11-15 17:18:17
阅读次数：
211
1、朴素贝叶斯 NB 三大概率 1、条件概率 Ω是全集，A、B是其中的事件（子集），p是事件发生的概率，则：p(A | B) = p(AB) / p(B)，事件B发生，A发生的概率 2、全概率公式 3、贝叶斯公式 文本分类系统核心公式 ...
分类：
其他好文 时间：
2018-10-21 21:45:47
阅读次数：
136
看了好多书籍和博客，讲先验后验、贝叶斯公式、两大学派、概率模型、或是逻辑回归，讲的一个比一个清楚 ，但是联系起来却理解不能 基本概念如下 先验概率：一个事件发生的概率 \[P(y)\] 后验概率：一个事件在另一个事件发生条件下的条件概率 \[P(y|x)\] 贝叶斯公式：联合概率公式直接能推导出来的 ...
分类：
其他好文 时间：
2018-10-20 00:53:15
阅读次数：
766
既然要用到贝叶斯公式，首先给出贝叶斯公式 P(A|B)=P(B|A)P(A)/P(B) 数学含义： P(A)是先验概率，可以通过计算获得 P(B|A)是条件概率，意识是在A发生的条件下B发生的概率 P(B)是用于归一化的“证据”因子，对于给定的样本B，P(B)与类标记无关 P(A|B)就是后验概率， ...
分类：
其他好文 时间：
2018-10-06 21:39:39
阅读次数：
175
全概率公式、贝叶斯公式推导过程 https://www.cnblogs.com/ohshit/p/5629581.html（转） （1）条件概率公式 设A,B是两个事件，且P(B)>0,则在事件B发生的条件下，事件A发生的条件概率（conditional probability)为： P(A|B)= ...
分类：
其他好文 时间：
2018-09-28 14:42:13
阅读次数：
139
博客转自：https://www.cnblogs.com/yemanxiaozu/p/7680761.html 前言 以前在许学习贝叶斯方法的时候一直不得要领,什么先验概率,什么后验概率,完全是跟想象脱节的东西,今天在听喜马拉雅的音频的时候突然领悟到,贝叶斯老人家当时想到这么一种理论前提可能也是基于 ...
分类：
其他好文 时间：
2018-09-25 01:29:52
阅读次数：
281
设g[u]为这个点被儿子和自己充上电的概率，f[u]为被儿子、父亲和自己充上电的概率 然后根据贝叶斯公式（好像是叫这个），1.P(A+B)=P(A)+P(B) P(A)\ P(B)，2.P(A)=(P(A+B) P(B))/(1 P(B)) g的转移很好想，根据上面的1公式，g[u]=g[u]+g[ ...
分类：
其他好文 时间：
2018-09-17 19:51:32
阅读次数：
145
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，P（X|W）：类条件概率，表示在某种类别前提下，某事发生的概率；而P（W|X）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 ...
分类：
其他好文 时间：
2018-08-30 00:13:00
阅读次数：
165
判别模型和生成模型：统计学派和贝叶斯学派之争 判别模型： 直接对输入空间到输出空间的映射h(x)做预测，或者直接对条件概率分布P(y|x)做预测 PM，SVM，NN，KNN，LR，DT 模型一般更准确 不需要预设条件 鲁棒性更高 生成模型： 先对概率分布P(x,y)做预测，根据贝叶斯公式得到P(y| ...
分类：
其他好文 时间：
2018-08-26 13:48:12
阅读次数：
174
基本概念 样本空间：{试验所有可能结果}-->一个试验所有可能结果的集合，用 Ω 表示。所以P(Ω) = 1 事件：样本空间的一个子集。用A、B、C表示。 条件概率 其实P(A|B)与P(AB)很相似，即“A和B都会发生”。 我们换一句话来解释这个P(AB)：“在所有可能的结果下，a和b都发生的概率 ...
分类：
其他好文 时间：
2018-08-21 17:12:37
阅读次数：
129
