贝叶斯决策论是在所有相关概率都已知的理想情形下,基于这些概率和误判损失来选择最优的类别标记。
假设有N中可能的类别标记,即 y={
c1,c2,...,cN} , λij 是将一个真实标记为 cj 的样本误分类为 ci 的样本误分类为所产生的损失。基于后验概率 p(ci|x) 可获得将样本 x 分类为
机器学习入门算法及其java实现-朴素贝叶斯
最新推荐文章于 2024-08-17 11:12:17 发布
贝叶斯决策论是在所有相关概率都已知的理想情形下,基于这些概率和误判损失来选择最优的类别标记。
假设有N中可能的类别标记,即 y={
c1,c2,...,cN} , λij 是将一个真实标记为 cj 的样本误分类为 ci 的样本误分类为所产生的损失。基于后验概率 p(ci|x) 可获得将样本 x 分类为