简介 学过概率理论的人都知道条件概率的公式：P(AB)=P(A)P(B|A)=P(B)P(A|B)；即事件A和事件B同时发生的概率等于在发生A的条件下B发生的概率乘以A的概率。由条件概率公式推导出贝叶斯公式：P(B|A)=P(A|B)P(B)/P(A)；即,已知P(A|B)，P(A)和P(B)可以计 ...
分类：
编程语言 时间：
2018-12-11 13:05:35
阅读次数：
301
1. 朴素贝叶斯： 条件概率在机器学习算法的应用。理解这个算法需要一点推导。不会编辑公式。。 核心就是 在已知训练集的前提条件下，算出每个特征的概率为该分类的概率， 然后套贝叶斯公式计算 预测集的所有分类概率，预测类型为概率最大的类型 ...
分类：
系统相关 时间：
2018-11-27 20:59:39
阅读次数：
196
决策树 决策树是一种基本的分类和回归方法.决策树顾名思义,模型可以表示为树型结构,可以认为是if then的集合,也可以认为是定义在特征空间与类空间上的条件概率分布. [图片上传失败...(image 2e6565 1543139272117)] 决策树的中间节点可以看做是对一种特征的判断,也是符合 ...
分类：
其他好文 时间：
2018-11-25 20:43:30
阅读次数：
292
1. 概率密度函数的参数估计 前文讲到了利用贝叶斯决策理论构建贝叶斯分类器，初学者难免会有疑问，既然已经可以通过构建贝叶斯分类器的方法处理分类问题，那为什么还要学习本章节内容？ 事实上，贝叶斯分类器的缺可以通过计算先验概率与类条件概率来设计最优分类器。但是对于大多数实际问题，我们往往无法知道这两个概 ...
分类：
其他好文 时间：
2018-11-08 00:21:39
阅读次数：
185
生成学习算法 生成学习算法引入 目前为止，我们主要讲解了条件概率模型p(y|x,θ)的学习算法。接下来，我们将讨论其他的学习算法。接下来举个例子，比如现在遇到一个分类问题，基于一些特征来判断一个动物是大象 (y = 1) 还是小狗 (y = 0)。基于给定的数据集，我们可以采用logistic回归或... ...
分类：
编程语言 时间：
2018-11-04 17:05:59
阅读次数：
226
本文主要总结决策树中的ID3,C4.5和CART算法，各种算法的特点，并对比了各种算法的不同点。 决策树：是一种基本的分类和回归方法。在分类问题中，是基于特征对实例进行分类。既可以认为是if-then规则的集合，也可以认为是定义在特征空间和类空间上的条件概率分布。 决策树模型：决策树由结点和有向边组 ...
分类：
编程语言 时间：
2018-11-03 14:07:16
阅读次数：
290
分类器可能产生错误分类，要求分类器给出一个最优的类别猜测结果并给出这个猜测的概率估计值。 朴素贝叶斯的特点： 优点：在数据较少的情况下依然有效，可以处理多类别问题； 缺点：对于输入数据的准备方式较为敏感； 适用数据类型：标称型数据 条件概率：在A条件下发生B结果的概率： P(B|A) = P(A&B ...
分类：
其他好文 时间：
2018-10-27 00:11:16
阅读次数：
182
1 准备知识：条件概率公式 相信学过概率论的同学对于概率论绝对不会陌生，如果一时觉得生疏，可以查阅相关资料，在这里主要是想贴出条件概率的计算公式： P(A|B)=P(A,B)/P(B)=P(B|A)*P(A)/P(B) 2 如何使用条件概率进行分类 假设这里要被分类的类别有两类，类c1和类c2，那么 ...
分类：
其他好文 时间：
2018-10-24 15:43:42
阅读次数：
175
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
