统计学习方法超详细学习笔记-第四章 朴素贝叶斯

最新推荐文章于 2024-06-12 12:03:35 发布
最新推荐文章于 2024-06-12 12:03:35 发布
阅读量194 收藏
点赞数 1
分类专栏： 统计学习方法 文章标签： 机器学习
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/shengxing_stu/article/details/109468895
版权

第四章 朴素贝叶斯

4.1 朴素贝叶斯法的学习与分类

4.1.1 基本方法

在这里插入图片描述
在这里插入图片描述

朴素贝叶斯法实际上学习到生成数据的机制，所以属于生成模型。 条件独立假设等于是说用于分类的特征在类确定的条件下都是条件独立的。这一假设使朴素贝叶斯法变得简单，但有时会牺牲一定的分类准确率。

4.1.2 后验概率最大化的含义

在这里插入图片描述

4.2 朴素贝叶斯法的参数估计

在这里插入图片描述

4.2.2 学习与分类算法

在这里插入图片描述

在这里插入图片描述

4.2.3贝叶斯估计

在这里插入图片描述

xingS1992
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
《统计学习方法》学习笔记（第四章）
Hhhhuply的博客
03-25 504
朴素贝叶斯 是基于贝叶斯定理与特征条件独立假设的分类方法 对于给定训练数据集，首先基于特征条件独立假设学习输入/输出的联合分布概率；然后基于此模型，对给定的输入x，利用贝叶斯理论求出后验概率的最大的输出y。 ...
统计学习方法之朴素贝叶斯理解和代码复现
12-22
朴素贝叶斯 联合概率 P(A,B) = P(B|A)*P(A) = P(A|B)*P(B)将右边两个式子联合得到下面的式子： P(A|B)表示在B发生的情况下A发生的概率。P(A|B) = [P(B|A)*P(A)] / P(B) 直观理解一下这个式子，如下图，问题A在我们...
《统计学习方法》笔记第四章
lvchunyang66的博客
06-27 149
朴素贝叶斯（naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习/输出的联合概率分布；然后基于此模型，对于给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯法实现简单，学习与预测的效率都很高，是一种常用的方法。 本章叙述朴素贝叶斯法，包括朴素贝叶斯法的学习与分类、朴素贝叶斯法的参数估计法。 朴素贝叶斯法通过训练数据集...
统计学习方法学习笔记 第四章 朴素贝叶斯
weixin_44939026的博客
05-15 185
朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。 具体方法： 对于给定的训练数据集，首先基于特征条件独立假设学习的输入输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。 4.1 朴素贝叶斯法的学习与分类 4.1.1 基本方法 4.1.2 后验概率最大化的含义 4.2 朴素贝叶斯法的参数估计 4.2.1 极大似然估计法 4.2.2 学习与分类算法 4.2.3 贝叶斯估计 ...
统计学习方法第四章笔记——朴素贝叶斯
02-29 1251
4.1 模型介绍　　模型的输入空间为χ∈Rnχ∈R^n的nn维向量，输出空间为类标记集合y={c1,c2,…ck}y=\{c_1,c_2,…c_k\}，XX是定义在χχ上的随机变量，YY是定义在yy上的随机变量，P(X,Y)P(X,Y)是XX和YY的联合分布，训练数据集T={(x1,y1),(x2,y2),…(xn,yn)}T=\{(x_1,y_1 ),(x_2,y_2 ),…(x_n,y_n)\}
《统计学习方法》 第四章 读书笔记
lbllol365的博客
03-15 370
第四章 朴素贝叶斯法 概述 　　基本思想：对于给定的数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布，然后基于此模型，对于给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。 　　特点：实现简单；学习和预测的效率都很高；很常用。 4.1 朴素贝叶斯法的学习与分类 给定数据集 T={(x1,y1),(x2,y2),⋯,(xN,yN)}T={(x1,y1),(x2,y...
机器学习文本分类基于TF-IDF+手写朴素贝叶斯
02-08
人工智能大作业，文本分类，TF-IDF+手写朴素贝叶斯。本项目利用分类算法实现对文本的数据挖掘，主要包括：1. 语料库的构建，主要从搜狗语料库、复旦大学中文语料库等搜集文章作为训练集和测试集；2. 语料库的数据...
机器学习实战(第四章-朴素贝叶斯-所有代码与详细注解及相关数据文件-python3.7)
12-09
机器学习实战(第四章-朴素贝叶斯-所有代码与详细注解及相关数据文件-python3.7) 机器学习实战(第四章-朴素贝叶斯-所有代码与详细注解及相关数据文件-python3.7)
朴素贝叶斯学习笔记完整版
07-08
朴素贝叶斯学习笔记完整版 本资源摘要信息涵盖了朴素贝叶斯学习笔记的完整版，涵盖贝叶斯分类的基本概念、贝叶斯定理、条件概率、朴素贝叶斯分类等知识点。 贝叶斯分类 贝叶斯分类是一类分类算法的总称，这类算法...
《统计学习方法》学习笔记 第一章概论
01-20
即统计学习方法三要素：模型、策略、算法。 2、监督学习 输入空间、输出空间、特征空间 联合概率分布、假设空间：输入空间到输出空间的映射的集合 3、三要素 3.1 模型 对监督学习，就是条件概率分布或决策函数 3.2...
统计学习方法——第4章 朴素贝叶斯法（个人笔记）
pk296256948的博客
04-06 614
统计学习方法——第4章 朴素贝叶斯法（个人笔记） 参考《统计学习方法》（第二版）李航 朴素贝叶斯法：基于贝叶斯定理与特征条件独立假设的分类方法。 4.1 朴素贝叶斯法的学习与分类 4.1.1 基本方法 训练数据集 先学习先验概率分布及条件概率分布 先验概率分布 条件概率分布 这样学习到联合概率分布 朴素贝叶斯法的条件概率分布假设条件相互独立的即条件独立性 朴素贝叶斯法分类时，对给定的输入x，通过学习到的模型计算后验概率分布，将后验概率最大的类作为x的类输出。 后验
统计学习方法笔记（李航）———第四章（朴素贝叶斯法）
weixin_44023658的博客
09-23 365
朴素贝叶斯法是一种多分类算法，它的基础是“朴素贝叶斯假设”（假设实例的各个特征具有条件独立性）。根据训练集估计模型的先验概率、条件概率，再按照后验概率最大化的准则，给出输入实例的分类预测。它的算法实现很简单，但理论证明并不容易。 具体来说，通过极大似然估计法估计先验概率、条件概率，计算过程比较复杂，书上也没有给出。本章主要分为3个部分： 朴素贝叶斯分类器，介绍它的基本假设与算法实现； 先验概率、条件概率的极大似然估计； 贝叶斯估计与拉普拉斯平滑。 一、朴素贝叶斯分类器 输入：训练集 T={(x1,y1)
统计学习方法学习笔记：第四章.朴素贝叶斯
weixin_44692791的博客
10-12 124
第四章：朴素贝叶斯
统计学习方法学习笔记（第四章　朴素贝叶斯法）
m0_37764496的博客
10-18 221
朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y),　具体地，学习以下先验概率分布以及条件概率分布。先验概率分布为 P(Y = ck); 条件概率分布为p(X = x | Y = ck)； 条件概率分布有指数级量级的参数，其实际参数的估计是不可行的。那么参数个数为K Sj. 朴素贝叶斯法对条件概率分布作了条件独立性的假设，由于这是一个较强的假设，朴素贝叶斯法也由此得名。 朴素贝叶斯法...
《统计学习方法》第四章总结
backer
01-28 280
第四章讲的是朴素贝叶斯法。首先我们要区别先验概率和后验概率以及贝叶斯公式 先验概率：P（x） 后验概率：条件概率 P（y| x） 贝叶斯公式及其各种形式 这个公式是我们在概率论中最常见的公式。朴素贝叶斯法实际上学习到生成数据的机制，所以属于生成模型，条件独立假设等于是说用于分类的特征在类确定的条件下都是条件独立的。后验概率最大化等价于期望风险最小化，由上述，可以推导出朴素贝叶斯算法
李航《统计学习方法》学习笔记之——第四章：朴素贝叶斯法
码农的科研笔记
06-10 465
“李航《统计学习方法》学习笔记”系列教程以李航老师《统计学习方法》为基础，系列笔记内容主要包括我学习过程中对于书中算法原理的理解和重点知识的汇总。 由于能力有限，不足支持请大家多多指正，大家有什么想法也非常欢迎留言评论！ 关于我的更多学习笔记，欢迎您关注“武汉AI算法研习”公众号！ 本文分三个部分“【针对朴素贝叶斯法的理解】”、“【朴素贝叶斯算法原理】”、“【文本分类上应用】”来进行...
《统计学习方法》决策树及剪枝，回归树分类树
Francis_s的博客
07-02 1092
1. 决策树 决策树可以用于分类和回归的应用里面，这里讨论的决策树是一个二叉树的形式，我们可以用伪代码的方式去表达出来：决策树就是一个 if-then 的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。利用训练数据，根据损失函数最小化的原则建立决策树模型，其中包括：特征选择，决策树的生成，决策树的剪枝三个步骤。 下面讨论的都是分类决策树，除了CART树会讨论到回归树 1.1.1 决策树模型 定义：决策树由结点和有向边组成，其中，结点由内部节点...
《统计学习方法》学习笔记(四)——朴素贝叶斯法
哇哦，小菜鸟
11-30 1807
相信大家对贝叶斯定理已经非常熟悉了，不过这里还是先对贝叶斯定理进行一下扫盲介绍。 　　预备知识：P(A|B)P(A|B)是在B发生的情况下A发生的可能性 假设B1,......,BnB_{1},......,B_{n}为互斥且构成一个完全事件，已知概率P(Bi),i=1,....,nP(B_{i}),i=1,....,n，现观察到某事件A与B1,......,BnB_{1},......,B_
【机器学习】支持向量机（个人笔记）
最新发布
Mount256的博客
06-12 847
源代码文件请！
李航统计学习方法朴素贝叶斯
09-22
李航的《统计学习方法》全面介绍了统计学习的主要方法，包括朴素贝叶斯法。该书对朴素贝叶斯法进行了全面系统的叙述，包括其学习与分类方法以及参数估计算法。朴素贝叶斯法是该书介绍的一种监督学习方法之一。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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。

余额充值