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。
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)
最低0.47元/天 解锁文章
1072
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
