李航《统计学习方法》第二版-第四章 朴素贝叶斯

最新推荐文章于 2024-07-24 17:12:18 发布
最新推荐文章于 2024-07-24 17:12:18 发布
阅读量171 收藏 1
点赞数
文章标签： 分类 机器学习 人工智能
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/so_kind/article/details/121171574
版权

   本来分为很多维度，互相有联系，利用贝叶斯变为相乘的形式，只需考虑当前维度和Y的关系，直接用频率就可数出。 

朴素：意味着做出了条件独立性的假设，但条件不可能都是独立的

 分母为分类讨论，分类讨论在求和

 要输出哪一种类别输出条件概率最大，为生成模式

判别模型根据两者之间的差别，不需每个分别建立模型

4.2.3 贝叶斯估计

 sj如果取晴天、雨天、刮风，就取3，可能取值

 

分子加\lambda，分子加k次，因此分母必须加K\lambda，才能使结果保持为1，K为y的分类

朴素贝叶斯属于生成方法，需要把属于每个类的概率求出来，然后判断属于哪个类的概率最大，就判断是哪个类，主要用于异常账号检测

 

so_kind
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
李航机器学习 | (6) 统计学习方法(第2版)笔记 --- 朴素贝叶斯法
sdu_hao的博客
11-21 798
目录 1. 导读 2. 朴素贝叶斯法的学习与分类 3. 朴素贝叶斯法的参数估计 4. 朴素贝叶斯法的参数估计推导 5. 小结 1. 导读 朴素贝叶斯(naive Bayes)法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。 统计学习方法...
李航机器学习 | (7) 统计学习方法(第2版)笔记 --- 朴素贝叶斯习题与编程作业
sdu_hao的博客
11-21 1695
1. 用极大似然估计法推出朴素贝叶斯法中的概率估计公式： 2. 用贝叶斯估计法推出朴素贝叶斯法中的概率估计公式： 3. 贝叶斯估计求解过程 4.自编程实现朴素贝叶斯算法，对上述表格中的训练数据进行分类。 """ 朴素贝叶斯算法的实现 2019/4/12 """ import numpy as np import pandas...
李航 统计学习方法 课后习题答案 第二版
weixin_43646592的博客
10-19 3918
【李航课后习题解答+书中疑点推导+算法代码实现+可私聊耐心解答(48小时内回复)，包会！！】欢迎订阅！！！
李航 统计学习方法 第二版 课后习题答案 机器学习
weixin_43646592的博客
01-09 1592
李航 统计学习方法 第二版 课后习题答案 机器学习
李航老师《统计学习方法》第二版第四章答案
qq_41626059的博客
04-11 2807
1、使用极大似然估计法推出朴素贝叶斯法概率估计公式（4.8）以及公式（4.9）. 解答：概率估计公式（4.8）是： P(Y=ck)=∑i=1NI(yi=ck)N,k=1,2,...,KP(Y = c_{k}) = \frac{\sum_{i=1}^{N}I(y_{i} = c_{k}) }{N},k = 1,2,...,K P(Y=ck​)=N∑i=1N​I(yi​=ck​)​,k=1,2,...,K 概率估计公式（4.9）是： P(Xj=ajl∣Y=ck)=∑i=1NI(xij=ajl,yi=ck)∑i=
李航—统计学习方法第四章课后答案
热门推荐
xiaoxiao_wen的博客
01-05 1万+
4.1 用极大似然估计法推导朴素贝叶斯法中的先验概率估计公式和条件概率估计公式
统计学习方法——第4章 朴素贝叶斯法（个人笔记）
pk296256948的博客
04-06 630
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（第二版）》李航 读书笔记 （7）第4章 朴素贝叶斯法和信息论一些概念
大白的博客
04-13 300
《统计学习方法（第二版）》李航 读书笔记 （7） 第4章 朴素贝叶斯法和信息论一些概念 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。 应用方面包括故障诊断（diagnose）、专家系统（expert system）、规划（planning）、学习（learning）、分类（cl...
李航《统计学习方法》（第二版）习题10.1python实现
12-21
《统计学习方法》是李航博士的一本经典著作，它深入浅出地介绍了机器学习中的统计学习理论。在第二版的习题10.1中，涉及到的是隐马尔可夫模型（Hidden Markov Model, HMM）的学习，具体是通过Python实现前向算法...
统计学习方法（第二版）-李航课件
05-17
共22章：机器学习和统计学习、感知机和统计学习方法总结、K-J近邻算法、贝叶斯分类器、决策树、Logistic回归、SVM及核函数、adaboost、EM算法、隐马尔可夫模型、条件随机场、无监督学习概论、聚类方法、奇异值分解、...
李航老师《统计学习方法》第2版课件：第4章 贝叶斯分类器.rar
03-10
在第4章“贝叶斯分类器”中，李航老师详细讲解了贝叶斯理论及其在分类问题中的应用。贝叶斯分类器是一种基于概率的预测模型，它的核心思想是贝叶斯定理，这是概率论中的一个基本概念，对于理解和应用统计学习有着至...
【Python机器学习】k-近邻算法简单实践——电影分类
最新发布
weixin_39407597的博客
07-24 393
k-近邻算法（KNN）的工作原理是：存在一个样本数据集合，也被称为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系，输入没有标签的数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。
Python编程、机器学习与深度学习技术
2301_78164062的博客
07-24 814
Python编程、机器学习与深度学习技术
机器学习数学基础（1）--线性回归与逻辑回归
qiaoxinyu1989的博客
07-24 798
监督学习是机器学习中的一种训练方式/学习方式。监督学习需要有明确的目标，很清楚自己想要什么结果。比如：使用大量标记为“猫”、“狗”、“汽车”等类别的图片数据集训练模型，让模型学习如何区分不同的类别。当给出新的未标记图片时（如猫的图片），模型能够预测其所属的类别（能归类为猫）。“越…，越…”符合这种说法的就可能是线性个关系：如「房子」越大，「租金」就越高，「汉堡」买的越多，花的「钱」就越多，杯子里的「水」越多，「重量」就越大。从数学上来讲，线性指的是变量间存在一种直接的、成比例的关系。
生成对抗网络（Generative Adversarial Network，简称GAN
m0_70066267的博客
07-24 801
生成对抗网络（GAN）作为一种强大的深度学习模型，通过生成器和判别器的相互对抗进行学习，展示了在多个领域的广泛应用潜力。尽管GAN的训练过程存在不稳定性、评估困难等挑战，但随着研究的深入和技术的不断发展，相信GAN将在更多领域发挥重要作用，推动人工智能技术的进一步发展。未来，随着计算资源的不断提升和模型结构的持续优化，GAN的性能和应用范围将得到进一步提升和拓展。
Python研究生毕业设计，数据挖掘、情感分析、机器学习
qq_22368681的博客
07-24 394
数据挖掘、情感分析、机器学习、数据预测处理、划分数据集和测试集，绘制分类任务，词汇表示：使用TF-IDF向量化器，线性回归、多元线性回归、SVR回归模型，ARIMA时间回归模型，使用大数据可视化图展示。
特征工程在机器学习中的重要性
shiming8879的博客
07-24 1248
特征工程中的归一化和标准化操作可以将特征的取值范围映射到合适的区间内，使得不同特征之间的差异对模型的影响最小化。这样做的好处在于可以减少特征的维度，降低模型的复杂度，避免过拟合的风险，并提高模型的训练效率和预测性能。这类方法的特点是在模型训练的过程中自动地进行特征选择，不需要像过滤法那样独立于模型进行特征评估，也不像包裹法那样需要多次训练模型。在梯度提升机的训练过程中，每个弱学习器都会尝试纠正前一个学习器的错误，并在这个过程中对特征的重要性进行评估。这类方法的优点是考虑了特征之间的相互作用和模型的适应性；
第四章李航统计学习法(第二版)编程实现朴素贝叶斯并调用sklearn模块,方法,2,4,书
10-09
第四章李航统计学习方法(第二版)详细介绍了朴素贝叶斯算法以及其编程实现。朴素贝叶斯算法是基于贝叶斯定理和特征条件独立假设的分类算法。它通过计算给定类别的先验概率和各个特征的条件概率来进行分类。 在编程...
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