统计学习方法笔记，第四章朴素贝叶斯法

最新推荐文章于 2024-07-04 11:20:17 发布

努力学挖掘机的李某某

最新推荐文章于 2024-07-04 11:20:17 发布

阅读量410

点赞数

分类专栏：《统计学习方法》笔记文章标签：数据挖掘机器学习统计学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_30911665/article/details/75095847

版权

朴素贝叶斯法基于贝叶斯定理和条件独立假设，是一种生成判别的方法，因为是生成概率分布模型，它的效率很高很快，且可适用小样本问题和样本不平衡问题。

4.1 朴素贝叶斯法的学习与分类

已知类集合为 $\nu = \{c_1,c_2,...,c_k\}$ ，对于一个输入的特征向量 $x_i$ ,我们的预测问题通常可以表示为求

$\underset{c_k}{argmax}P(Y=c_k|X=x_i)$

即求当输入向量 $X=x_i$ 时，分类结果y的概率最大的那一类。那么怎样求 $P(Y=c_k|X=x_i)$ 呢？

我们考虑用贝叶斯定理

$P(Y=c_k|X=x)=\frac{P(X=X_i)}{P(X=x,Y=c_k)}=\frac{P(X=x|Y=c_k)}{\sum_{k}P(X=x|Y=c_k)P(Y=c_k)}$

那么问题就转化为求

$P(X=x|Y=c_k)$ 和

最低0.47元/天解锁文章

努力学挖掘机的李某某

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
统计学习方法笔记，第四章朴素贝叶斯法

朴素贝叶斯法基于贝叶斯定理和条件独立假设，是一种生成判别的方法，因为是生成概率分布模型，它的效率很高很快，且可适用小样本问题和样本不平衡问题。4.1 朴素贝叶斯法的学习与分类已知类集合为，对于一个输入的特征向量,我们的预测问题通常可以表示为求即求当输入向量时，分类结果y的概率最大的那一类。那么怎样求呢？我们考虑用贝叶斯定理那么问题就转化为求和那这俩又
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。