最简单的贝叶斯分类器演示（含Matlab程序)

最新推荐文章于 2021-04-13 08:33:13 发布

消失的苦楝树Ranchlai

最新推荐文章于 2021-04-13 08:33:13 发布

阅读量6.8k

点赞数

分类专栏：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/ranchlai/article/details/10375579

版权

贝叶斯(Baysian)分类器[1]是一种理论上比较简单的分类器。但是结合不同的网络结构和概率模形，它又可以演化成非常复杂的分类体系。本短文主要演示Baysian + Gaussian如何解两类问题。

$\LARGE P(y|x)=\frac{p(x|y)p(y)}{p(x|y=1)p(y=1)+p(x|y=0)p(y=0)}$

其中，分母部分主要用于归一化。p(y)为先验概率(prior)，　p(x|y)为条件概率或称之为类概率密度（即已知x是哪一类的情况下p(x)的概率密度）。　在本文中，假设p(x|y)是高斯分布，即[2]：

$\LARGE p(x|y=i)=\frac{1}{(2\pi)^{d/2}|\Sigma_i|^{1/2}}\exp{-\frac{1}{2}(x-\mu_i)^T\Sigma_i^{-1}(x-\mu_i)}, i=0,1$

而p(y)则采用伯努利(Bernoulli)分布[3]:

最低0.47元/天解锁文章

消失的苦楝树Ranchlai

关注

0
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
最简单的贝叶斯分类器演示（含Matlab程序)

贝叶斯(Baysian)分类器[1]是一种理论上比较简单的分类器。但是结合不同的网络结构和概率模形，它又可以演化成非常复杂的分类体系。本短文主要演示Baysian + Gaussian如何解两类问题。其中，分母部分主要用于归一化。p(y)为先验概率(prior)，　p(x|y)为条件概率或称之为类概率密度（即已知x是哪一类的情况下p(x)的概率密度）。　在本文中，假设p
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。