机器学习入门算法及其java实现-朴素贝叶斯

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 ci 所产生的期望损失(expected loss),即在样本 x 上的“条件风险”(conditional risk)。

R(ci|x)=j=1Nλijp(cj|x)
我们的任务是寻找一个判定准则 h:xy
评论 2
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