随笔分类 - AI-贝叶斯分类器
摘要：半朴素贝叶斯分类器 朴素贝叶斯采用了“属性条件独立性假设”，但这个假设的确是有些草率了。因为往往属性之间包含着各种依赖。于是，人们尝试对这个假设进行一定程度的放松，由此产生了“半朴素贝叶斯分类器”（semi-naive Bayes classifiers）的学习方法。 半朴素贝叶斯分类器的基本想法是
阅读全文
摘要：上一篇文章极大似然估计的应用已经说明了，后验概率的求解难点在于类条件概率的估计非常难。 p(x | w)中的x往往包含多个相关因素（是一个多种因素构成的向量），即它可能有多个需要考虑的属性值：x=(x1,x2,x3,...,xn)。 任一xi都代表了所有相关因素中的其中一个。在癌症辅助判断中
阅读全文
摘要：一、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)为类条件概率，表示在某种类别前提下，某事发生的概率；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。
阅读全文
摘要：参考知乎上的解释。解答的非常明白易懂。https://www.zhihu.com/question/27670909 大致内容： 1、解答了先验概率和后验概率的概念。后验概率更加的准确，大部分机器学习模型尝试得到的也是后验概率 2、贝叶斯公式的推导 3、贝叶斯公式用于后验概率的求解。转换之后，后验概
阅读全文
