贝叶斯决策论(后验概率最大化)的问题

本文介绍了在已知概率条件下,贝叶斯决策论如何通过期望风险最小化选择最优类别标记。解释了条件风险和总体风险的概念,并指出后验概率最大化是朴素贝叶斯分类器的基础。
摘要由CSDN通过智能技术生成

在看待解决一分类问题时候,在相关概率已知的条件下,贝叶斯决策论考虑如何基于这些概率把(期望损失)风险 降到最低,从而得到最优的类别标记,即 期望风险最小化

假设由 N N N种可能的类别标记为 y = { c 1 , c 2 . . . c n } y=\{c_1,c_2...c_n\} y={ c1,c2...cn} λ i j \lambda_{ij} λij是一个将真实标记为 c j c_j cj误分类为 c i c_i ci所产生的损失,则基于后验概率 P ( c i ∣ x ) P(c_i|x)

  • 4
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值