机器学习实战 第4章

贝叶斯决策理论:选择具有最高概率的决策。

条件概率:
p(gray|bucketB)表示:在已知石头出自B桶的条件下,取出灰色石头的概率。
p(gray|bucketB) = p(gray and bucketB) / p(bucketB)

贝叶斯准则:
p(c|x) = p(x|c) * p(c) / p(x)


import numpy as np
def loadDataSet():
        postingList =[["my", "dog", "has", "flea", "problems", "help", "please"],
             ["maybe", "not", "take", "him", "to", "dog", "park", "stupid"],
             ["my", "dalmation", "is", "so", "cute", "I", "love", "him"],
             ["stop", "posting", "stupid", "worthless", "garbage"],
             ["mr", "licks", "ate", "my", "steak", "how", "to", &#
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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