机器学习之传统贝叶斯

本文介绍了朴素贝叶斯法的基础,包括贝叶斯定理、分类过程、条件独立性假设以及参数估计。通过极大似然估计和贝叶斯估计来求解先验概率和条件概率,讨论了拉普拉斯平滑处理概率为0的问题,以确保分类的准确性。
摘要由CSDN通过智能技术生成

贝叶斯定理公式:

(1)

上述公式中:事件B发生的概率为 ,事件A发生条件下事件B发生的概率为 


朴素贝叶斯法的学习与分类

       我们假设,输入空间:为n维向量的集合,输出空间为类标记集合

 P(X , Y)为X和Y的联合概率分布。

那么训练数据集为:(2)其由P(X , Y)独立同分布产生;


  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
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