读书笔记-《机器学习》第七章:贝叶斯分类器

本文是关于《机器学习》第七章的读书笔记,主要探讨贝叶斯分类器的概念,包括先验概率、后验概率、贝叶斯判定准则。介绍了判别式模型和生成式模型,特别是朴素贝叶斯分类器的工作原理,强调了属性条件独立性假设的重要性。还提到了拉普拉斯修正解决概率估值为零的问题,以及EM算法在参数估计中的应用。
摘要由CSDN通过智能技术生成

第七章 贝叶斯分类器

  • 由结果推原因转化为由原因推结果
  • 先验概率:是根据以往经验和分析得到的概率
  • 后验概率:事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小,即由结果倒推原因
  • 贝叶斯判定准则:为最小化总体风险,只需在每个样本上选择那个能使条件风险R(c|x)最小的类别标记
  • 判别式模型:给定x,通过直接建模P(c|x)来预测c;决策树、BP神经网络、支持向量机等
  • 生成式模型:先对联合概率分布P(x,c)建模,然后再由此获得P(c|x);朴素贝叶斯
  • 对于生成式模型,必然考虑:

基于贝叶斯定理,可写为

因此估计P(c|x)的问题就转化为如何基于训练集数据集D来估计先验概率P(c)类条件概率P(x|c)

  • 对于类先验概率P(c)&
  • 0
    点赞
  • 2
    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