1.估计概率密度p(x|wi)
(1)贝叶斯决策
(2)P(wi)和p(x | wi)的估计方法
①先验概率P(wi)估计:
用训练数据中各类出现的频率估计。
依靠经验。
② 类条件概率密度函数p(x | wi)估计,2类方法:
参数估计:最大似然估计,贝叶斯估计。
非参数估计:
直方图估计,核密度估计(Kernel Density Estimation,KDE,又名Parzen窗),Kn近邻估计。
神经网络方法。
(3)基于样本的两步贝叶斯分类器设计
step1:利用样本集估计P(wi)和p(x | wi)
step2:贝叶斯决策(代入贝叶斯公式,比较后验概率)
2.监督学习&参数估计
(1)监督学习&无监督学习
监督学习:已知样本类别。参数估计和非参数估计都属于监督学习。eg:线性回归。
无监督学习:不知道样本类别。eg:聚类。
(2)参数估计&非参数估计
参数估计:已知样本类别和函数模型(假设一个模型),根据样本估计模型中的未知参数。
非参数估计:已知样本类别,未知函数模型(不假设模型),直接从样本中学习估计模型。
3.参数估计理论
(1)概念
(2)参数估计的评价
①参数估计要求估计总体分布的具体参数,显然是点估计的问题。
②评价一个估计的好坏,需要从平均和方差的角度出发分析。统计学中做了很多关于估计量性质的定义:
4.最大似然估计、贝叶斯估计、贝叶斯学习之间的关系
参考:
https://blog.csdn.net/unixtch/article/details/78556499
https://wenku.baidu.com/view/1cf9639efab069dc502201fe.html
https://blog.csdn.net/drrlalala/article/details/45533821
《模式识别-张学工》
作者:西伯尔
出处:http://www.cnblogs.com/sybil-hxl/
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。