贝叶斯学习
文章平均质量分 89
流水无Qing
CS计算机硕士一枚,主攻方向为机器学习和数据挖掘,还有移动互联网开发,最感兴趣的是大数据hadoop研究,同时兼顾开发各种java B/S项目,android移动客户端项目,偶尔还设计到图像方面了,当然了,还有一些nodejs,matlab,python,js等各个方面的涉入,同时也希望和大家一起交流、共同进步。
展开
-
贝叶斯学习--极大后验假设学习
我们假定学习器考虑的是定义在实例空间X上的有限的假设空间H,任务是学习某个目标概念c:X→{0,1}。如通常那样,假定给予学习器某训练样例序列〈〈x1,d1,〉…〈xm,dm〉〉,其中xi为X中的某实例,di为xi的目标函数值(即di=c(xi))。为简化讨论,假定实例序列〈x1…xm〉是固定不变的,因此训练数据D可被简单地写作目标函数值序列:D=〈d1…dm〉。基于贝叶斯理论我们可以设计原创 2014-04-03 17:13:18 · 3736 阅读 · 0 评论 -
贝叶斯学习--极大后验概率假设和极大似然假设
在机器学习中,通常我们感兴趣的是在给定训练数据D时,确定假设空间H中的最佳假设。所谓最佳假设,一种办法是把它定义为在给定数据D以及H中不同假设的先验概率的有关知识条件下的最可能(most probable)假设。贝叶斯理论提供了计算这种可能性的一种直接的方法。更精确地讲,贝叶斯法则提供了一种计算假设概率的方法,它基于假设的先验概率、给定假设下观察到不同数据的概率、以及观察的数据本身。要原创 2014-04-03 16:43:41 · 6681 阅读 · 0 评论 -
朴素贝叶斯分类器
贝叶斯定理贝叶斯定理解决了现实生活里经常遇到的问题:已知某条件概率,如何得到两个事件交换后的概率,也就是在已知P(A|B)的情况下如何求得P(B|A)。这里先解释什么是条件概率: 表示事件B已经发生的前提下,事件A发生的概率,叫做事件B发生下事件A的条件概率。其基本求解公式为:。 贝叶斯定理之所以有用,是因为我们在生活中经常遇到这种情况:我们可以很容易直原创 2014-04-03 19:26:27 · 5539 阅读 · 0 评论 -
贝叶斯学习举例--学习分类文本
“我感兴趣的电子新闻稿”或“讨论机器学习的万维网页”。在这两种情况下,如果计算机可以精确地学习到目标概念,就可从大量在线文本文档中自动过滤出最相关的文档显示给读者。这里描述了一个基于朴素贝叶斯分类器的文本分类的通用算法。将要展示的朴素贝叶斯算法遵循以下的问题背景:1、考虑实例空间X包含了所有的文本文档(即任意长度的所有可能的单词和标点符号串)。2、给定某未知目标函数f(x)原创 2014-04-03 20:19:10 · 2135 阅读 · 0 评论