机器学习之西瓜书-第7章 贝叶斯分类器

最新推荐文章于 2024-04-15 19:29:11 发布
最新推荐文章于 2024-04-15 19:29:11 发布
阅读量287 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习 算法
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/sinat_40601382/article/details/106979019
版权

在这里插入图片描述
新的一章开始啦~

7.1贝叶斯决策论

  • Bayesian decision theory
  • 适用于多分类任务
  • 目标：寻找一种分类器，使错分类率最小化/精度最大化
    在这里插入图片描述

7.2 极大似然估计

以下取自知乎答主【马同学】的回答https://www.zhihu.com/question/24124998
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
书上：
在这里插入图片描述

7.3 朴素贝叶斯分类器

在这里插入图片描述

在这里插入图片描述

7.4 半朴素贝叶斯分类器——了解

7.5贝叶斯网——了解

7.6 EM算法

在这里插入图片描述
参考https://zhuanlan.zhihu.com/p/36331115
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

崔洞洞
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
如何通俗理解贝叶斯推断与beta分布？
马同学
07-19 9337
有一枚硬币（不知道它是否公平），假如抛了三次，三次都是“花”： 能够说明它两面都是“花”吗？ 1 贝叶斯推断 按照传统的算法，抛了三次得到三次“花”，那么“花”的概率应该是： 但是抛三次实在太少了，完全有可能是运气问题。我们应该怎么办？ 托马斯·贝叶斯（1702－1761），18世纪英国数学家，1742年成为英国皇家学会会员。 贝叶斯认为在实验之前，应根据不同的情况对硬...
机器学习（西瓜书）
Ziy的博客
03-02 3289
这个机器不逃学！ --需要不断学习不断学习不断学习~却怎么都学不会的机器学习
“傻瓜”式啃西瓜书机器学习入门系列，简单易懂！第一章绪论+1.1数学公式
最新发布
qq_43702629的博客
04-15 1359
西瓜书作为机器学习的入门书籍，许多人慕名而来，但是稍微阅读一下，发现其也没有想象中那么入门。本人作为一名“傻瓜”，会在此记录自己傻瓜式的啃书过程和学习过程，希望能够对基础不好的朋友有一定的帮助。希望在学习西瓜书的时候，，并且有西瓜书的pdf或者纸质书。同时，本人能力有限，理解难免出错，希望各位大佬指点和交流。
机器学习——《西瓜书》
weixin_44837762的博客
06-14 2991
*我i什么看到微湿路面、感到春风、看到晚霞，就认为明天是好天呢？这是因为在我们的生活经验中已经遇见过很多类似的情况，这是我们基于经验做出的判断。“机器学习”-----正是一门这样的学科，它研究如何通过计算的手段，利用“经验”（计算机中通常以“数据”的形式存在）改善自身的性能。下面将介绍一些基本的概念：基本术语 数据集（data set）：D={x1,x2,…,xm} 表示包含m个示例的数据集。 记录：数据集中关于一个事件或对象的描述，也称“示例”（instance）或“样本”（sample）。 属性（att
《西瓜书》-1.机器学习概述
ruoqi23的博客
07-30 962
1.机器学习概述 1.1.人工智能与机器学习 人工智能（Artificial Intelligence，Al）是一种以智能人类思维的类似方式使计算机，计算机控制的机器人或软件智能地思考的方法。 人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 人工智能是基于计算机科学，生物学，心理学，语言学，数学和工程学等学科的科学和技术。人工智能的主要推动力是开发与人类智能相关的计算机功能。 机器学习主要是研究如何使计算机从给定的数据中学习规律，.
【机器学习】西瓜书第一章(1):机器学习基本术语
暮色年华的博客
08-27 102
如果每个示例由d个属性表述，则每个示例xi=(xi1;xid)是d维样本空间X中的一个向量，xi∈X，其中xij是xi在第j个属性上的取值，d为样本xi的位数。,yi)表示第i个样例，其中yi∈Y是示例xi的标记，y是所有标记的集合（涉及两个类别就是二分类，通常一个类为正类，一个类为反类。从数据中学习模型的过程，通过执行某个学习算法来完成。机器学习的目标是使得学得的模型很好地适用于新样本；将训练集中的样本分成若干个组，每组为一个簇。训练中使用的数据，每一个样本叫训练样本。泛化能力：模型适应新样本的能力。
人工智能-项目实践-朴素贝叶斯分类器-朴素贝叶斯文本分类器
03-25
人工智能_项目实践_朴素贝叶斯分类器_朴素贝叶斯文本分类器 **数据：**搜狗文本分类语料库 **分类器：**朴素贝叶斯分类器 NBC(Naive Bayesian Classifier) **编程语言：**Python+jieba分词库+nltk+sklearn
机器学习——贝叶斯分类器
11-26
机器学习——贝叶斯分类器 贝叶斯分类器是机器学习中的一种常用算法，它基于贝叶斯定理和条件独立性假设，旨在对数据进行分类和预测。贝叶斯分类器的主要思想是通过训练数据集学习联合概率分布，然后使用后验概率...
机器学习 naive 贝叶斯分类器实现 （附原始matlab代码和数据集）
08-30
主要适用于机器学习初学者，掌握基础理论； 可以在高质量数据集上面，修改测试代码，更好的掌握 naive Bayes 分类器理论和实际应用； 理解分类器的实际价值和局限性所在。 朴素贝叶斯是一种构建分类器的简单技术：...
机器学习之贝叶斯分类器视频教学
06-09
贝叶斯分类器是机器学习的一个入门要点， 原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有大后验概率的类作为该对象所属的类。本课程详细讲解贝叶斯分类器的内容...
机器学习+贝叶斯分类器+北邮自动化机器学习实验+作业
04-29
在本实验中，我们将深入探讨机器学习领域的一个关键概念——贝叶斯分类器，这是北京邮电大学自动化专业机器学习课程中的一个实验项目。贝叶斯分类器是一种基于贝叶斯定理的统计方法，广泛应用于数据挖掘、文本分类、...
机器学习西瓜书笔记
weixin_44844703的博客
03-04 761
1.精度=1-错误率 2.训练集上的误差为‘训练误差’或‘经验误差’，新样本上的误差为‘泛化误差’ 3.过拟合是机器学习面临的关键障碍，欠拟合可通过决策树学习中拓展分支，在神经网络学习中增加训练轮数 4.过拟合无法彻底避免单次留出法不够稳定可靠，一般要采用若干次随机划分、重复进行试验评估取平均值作为留出法的评估结果，常见做法是将大约2/3～4/5的样本用作训练下面是K折交叉验证的基本步骤： 将数据集分成K个大小相似的子集，通常称为折（fold）。 选择一个折作为测试集，其余K-1个折作为训练集。 使用训练集
《机器学习》(西瓜书) 随笔
ychinata的博客
09-04 2万+
ML大牛请绕道请无视。               那天当当有满减活动，实验室一学弟说他想买《机器学习》，我问是哪本，答曰南大周志华那本“西瓜书”，说其同学向他推荐的。我表示不屑，咋从没听过？机器学习不是要看《PRML》么？于是上亚马孙看了下，是今年1月份的新书，然而销量已到计算机类第一了，下边评价也是不错。于是从不屑到决定下单，也就几分钟的事情= =        自从研究生入学以来，就发现
西瓜书（机器学习）第一章
m0_65930263的博客
03-26 223
样本/数据点（Sample/Data Point）：指机器学习算法输入的数据单元，可以是一张图片、一段文字、一首歌曲等等。特征/属性（Feature/Attribute）：指用来描述样本的属性或特征，比如一张图片的像素值、一段文字的词频、一首歌曲的节奏等等。标签/目标（Label/Target）：指监督学习中，样本所对应的输出结果或类别，比如一张图片是猫还是狗、一段文字的情感倾向、一首歌曲的音乐类型等等。
西瓜书/南瓜书_学习笔记_1
2201_75956817的博客
09-10 323
需注意的是，现实问题中我们常面临很大的假设空间，但学习过程是基于有限样本训练集进行的，因此，可能有多个假设与训练集一致，即存在着一个与训练集一致的"假设集合"，我们称之为"例如对我们已经很熟悉的西瓜问题来说，“假设1:好瓜= (色泽=*) ⋀ (根蒂=蜷缩)⋀(敲声=浊响)”和假设2: "好瓜=(色泽=*) ⋀ (根蒂=蜷缩)⋀(敲声=*)"这两个假设，哪一个更"简单"呢?大致可以理解为，给定一个正例，如（（色泽=浅白，根蒂=*，敲声=浊响），好瓜），以此为基础，去除所有色泽和敲声与好瓜不一致的假设。
【机器学习 ｜西瓜书 】 - 4.1决策树
suiuko CSDN
10-24 204
从逻辑角度，一堆if else 语句的组合从几何角度，根据某种准则划分特征空间最终目的：将样本越分越“纯”
贝叶斯相关公式（Bayes）
热门推荐
renhaofan的博客
08-28 6万+
这里只是记录一下，非常推荐马同学高等数学,文末有原文 代数推导 是根据条件概率推导的 P(A|B)=P(AB)P(B)P(B|A)=P(AB)P(A)P(A|B)=P(AB)P(B)P(B|A)=P(AB)P(A) P(A|B) = \frac{P(AB)}{P(B)} \qquad P(B|A) = \frac{P(AB)}{P(A)} 所以推导可以得到Bayes公式： P(...
为什么正态分布如此常见？
马同学
08-01 2万+
自然界中存在大量的正态分布，比如女性的身高： 图片出自这里。 正态分布的英文名为：Normal Distribution，台湾翻译为常态分布，可见一斑。可是为什么这么常见呢？ 每个人都相信它（正态分布）：实验工作者认为它是一个数学定理，数学研究者认为他是一个经验公式。 ----加布里埃尔·李普曼 1 高尔顿钉板 弗朗西斯·高尔顿爵士（1822－1911），查尔斯·达尔文的表弟...
西瓜书读书笔记——第七章：贝叶斯分类器
Andrewings
06-13 2324
第七章：贝叶斯分类器7.1 贝叶斯决策论条件风险7.2 极大似然估计 首先介绍一下贝叶斯公式： 实际上，分母为全概率公式，分子为联合概率。在机器学习中，更常见的形式为 P(B∣A)=P(A∣B)P(B)P(A)P(B|A)=\dfrac{P(A|B)P(B)}{P(A)}P(B∣A)=P(A)P(A∣B)P(B)​ 贝叶斯公式的作用在于将P(B|A)的估计转化为估计P(A|B)和P(B) 7.1...
机器学习-贝叶斯分类器
04-12
贝叶斯分类器是一种常见的机器学习算法，它基于贝叶斯定理进行分类。该算法通过计算给定特征条件下每个类别的概率，并选择具有最高概率的类别作为预测结果。 贝叶斯分类器的基本原理是利用已知的特征和类别之间的关系，来预测新样本的类别。它假设特征之间相互独立，并且每个特征对于确定类别的重要性是相同的。 具体来说，贝叶斯分类器使用训练数据集来估计每个类别的先验概率和每个特征在每个类别下的条件概率。然后，对于给定的测试样本，它计算该样本属于每个类别的后验概率，并选择具有最高后验概率的类别作为预测结果。 贝叶斯分类器有几种不同的变体，其中最常见的是朴素贝叶斯分类器。朴素贝叶斯分类器假设特征之间是相互独立的，这样可以简化计算过程。它在文本分类、垃圾邮件过滤等领域得到广泛应用。

“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