机器学习（7）

最新推荐文章于 2023-04-15 22:48:31 发布

Mr. Morningstar

最新推荐文章于 2023-04-15 22:48:31 发布

阅读量90

点赞数

文章标签：机器学习分类人工智能

本文链接：https://blog.csdn.net/m0_46218732/article/details/125347814

版权

本文介绍了贝叶斯分类的基础概念，包括贝叶斯决策论、极大似然估计和朴素/半朴素贝叶斯分类器。讲解了如何利用贝叶斯判别准则最小化决策风险，并通过实例演示了朴素贝叶斯在实际问题中的应用。最后提及了贝叶斯网和EM算法在复杂模型中的作用。适合对机器学习初学者和进阶者理解概率模型和分类方法。

摘要由CSDN通过智能技术生成

机器学习笔记7-------------------------贝叶斯分类

贝叶斯分类

贝叶斯决策论（Bayesian decision theory）	基于概率和误判损失来选择最优分类基于侯验经验可以获得样本x分类为ci所产生的期望损失，即样本x上的条件风险任务：找到最小化总体风险贝叶斯判定准则：在每个样本上选择能使条件风险最小的分类（贝叶斯最优分类器）要使用贝叶斯判断准则最小化决策风险，首先要获得后验概率（实践中，难以获得）。两种策略：通过建模预测，得到判别式模型或先对联合概率分布建模，再获得后验概率得到生成式模型
极大似然估计	概率模型的训练过程就是参数估计过程两个学派：频率主义派认为参数有固定值贝叶斯学派认为参数服从某个分布极大似然估计（MLE）来自频率学派常用对数似然
朴素贝叶斯分类器	采用属性条件独立性假设，假设每个属性独立地对分类结果发生影响，降低估计后验概率的困难
半朴素贝叶斯分类器	对属性条件独立性假设进行放松
贝叶斯网	借有向无环图（DAG）来刻画属性之间的依赖关系，使用条件概率表（CPT）描述属性联合概率分布。
EM算法	expectation maximization，估计参数隐变量的迭代式方法基本想法：若参数一致，则可根据训练数据推断出最优隐变量，反之，隐变量已知，可对参数进行极大似然估计

有朋友对这方面比较了解的吗，怎么学啊，太难了

参考文献

周志华. 机器学习

关注