版权声明:本文为博主原创文章https://极大似然估计
?0?2 ?0?2 ?0?2 ?0?2 以前多次接触过极大似然估计,最近在看贝叶斯分类,总结如下:
贝叶斯决策
?0?2 ?0?2 ?0?2 ?0?2 首先来看贝叶斯分类
?0?2 ?0?2 ?0?2 ?0?2 其中:p(w):为先验概率,表示在某种类别前提下,表示某事发生了,有了这个后验概率,说明某事物属于这个类别的可能性越大?0?2 ?0?2 ?0?2 ?0?2 我们来看一个直观的例子:已知:在夏季,女性穿凉鞋的概率为2/3,问题:若你在公园中随机遇到一个穿凉鞋的人?0?2 ?0?2 ?0?2 ?0?2 从问题看,某事发生了?0?2 ?0?2 ?0?2 ?0?2 设:
?0?2 ?0?2 ?0?2 ?0?2 由已知可得:
?0?2 ?0?2 ?0?2 ?0?2 男性和女性穿凉鞋相互独立(若只考虑分类问题,的取值并不重要)。
?0?2 ?0?2 ?0?2 ?0?2 由贝叶斯公式算出:
问题引出
?0?2 ?0?2 ?0?2 ?0?2 但是在实际问题中并不都是这样幸运的,而先验概率
和类条件概率(各类的总体分布)
都是未知的。根据仅有的样本数据进行分类时,然后再套用贝叶斯分类器。
?0?2 ?0?2 ?0?2 ?0?2 先验概率的估计较简单?0?2 ?0?2 ?0?2 ?0?2 类条件概率的估计(非常难),把估计完全未知的概率密度