极大似然估计-形象解释看这篇文章：https://www.zhihu.com/question/24124998 贝叶斯定理-形象解释看这篇文章：https://www.zhihu.com/question/19725590/answer/217025594 极大似然估计 以前多次接触过极大似然估计 ...
分类：
其他好文 时间：
2018-04-18 11:43:36
阅读次数：
225
一、贝叶斯定理 机器学习所要实现的均是通过有限的训练样本尽可能的准确估计出后验概率，也就是所说的结果情况。大题分为判别式模型和生成式模型。 1. 判别式模型：直接通过建模P（结果|特征）的方式来预测结果，典型代表如决策树，BP神经网络、支持向量机等。 2. 生成式模型：先对联合概率分布P（特征，结果 ...
分类：
其他好文 时间：
2018-04-08 18:59:55
阅读次数：
1112
一、前述 机器学习算法中，有种依据概率原则进行分类的朴素贝叶斯算法，正如气象学家预测天气一样，朴素贝叶斯算法就是应用先前事件的有关数据来估计未来事件发生的概率。 二、具体 1、背景--贝叶斯定理引入对于两个关联事件（非独立事件）A和B，同时发生的概率为：P(AB)=P(A|B)P(B)=P(B|A) ...
分类：
其他好文 时间：
2018-04-07 17:49:38
阅读次数：
217
朴素贝叶斯(naive bayes) 标签： Python 机器学习 主要參考资料：《机器学习实战》《统计学习方法》 1.朴素贝叶斯分类原理 朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设(称为朴素的原因)的分类方法。先看看维基百科中贝叶斯定理的描写叙述： 贝叶斯定理（维基百科） 通常，事件A在事件 ...
分类：
其他好文 时间：
2018-03-21 11:36:14
阅读次数：
253
众所周知，贝叶斯定理是一种在已知其他概率的情况下求概率的方法： 首先，对于贝叶斯定理，还是要先了解各个概率所对应的事件。 P(A|B) 是在 B 发生的情况下 A 发生的概率； P(A) 是 A 发生的概率； P(B|A) 是在 A 发生的情况下 B 发生的概率； P(B) 是 B 发生的概率。 首 ...
分类：
其他好文 时间：
2018-03-08 17:30:18
阅读次数：
489
BZOJ_2134_单选错位——期望DP 题意： 分析：设A为Ai ∈ [1,ai+1] 的概率，B为Ai = A(imodn+1)的概率显然P(A|B) = 1,那么根据贝叶斯定理P(B) = P(B|A)*P(A)P(A) = min(ai,ai+1)/aiP(B|A) = 1/a(i+1)P( ...
分类：
其他好文 时间：
2018-03-06 00:49:02
阅读次数：
170
1 朴素贝叶斯法的学习与分类1.1 基本原理2 参数估计2.1 极大似然估计2.2 算法2.3 贝叶斯估计 1 朴素贝叶斯法的学习与分类 Naive Bayes是基于贝叶斯定理和特征条件独立的假设的分类方法。对于给定的训练数据，首先基于特征条件独立学习输入和输出的联合概率分布，然后基于此模型，对给定 ...
分类：
其他好文 时间：
2018-03-02 22:12:08
阅读次数：
186
朴素贝叶斯法基于 1.贝叶斯定理 2.特征条件独立假设 用于分类的特征在类（y）确定的情况下是条件独立的 输入： 过程： 1.学习先验概率 2.学习条件概率分布（条件独立性假设） 其中： （极大似然估计） 3.根据贝叶斯公式，计算后验概率 带入条件概率公式： 上式中，分母是一样的，当k取不同值时分子 ...
分类：
其他好文 时间：
2018-01-11 15:35:25
阅读次数：
104
贝叶斯分类器 什么是贝叶斯分类器 贝叶斯分类器是一类分类器的总称，这些分类器均以贝叶斯定理为基础，故统称为贝叶斯分类器。这些分类器中最简单的是朴素贝叶斯分类器，它几乎完全按照贝叶斯定理进行分类，因此我们从朴素贝叶斯分类器说起。 贝叶斯定理： 贝叶斯定理是概率论中一个比较重要的定理，在讲解贝叶斯定理之 ...
分类：
其他好文 时间：
2017-11-22 14:17:19
阅读次数：
158
1 贝叶斯定理的引入 概率论中的经典条件概率公式： 公式的理解为，P（X ，Y）= P（Y，X）<=> P（X | Y）P（Y）= P（Y | X）P （X），即 X 和 Y 同时发生的概率与 Y 和 X 同时发生的概率一样。 2 朴素贝叶斯定理 朴素贝叶斯的经典应用是对垃圾邮件的过滤，是对文本格式 ...
分类：
编程语言 时间：
2017-11-04 16:23:24
阅读次数：
226
