贝叶斯原理
此分类策略是为了解决逆向概率问题
逆向概率
逆向概率是针对正向概率而产生的一个概念,比如一个摸球问题,正向概率就是已经知道了盒子里球的总数,从而正向求出摸到白球或者黑球的概率。而逆向概率是盒子对于我们来说是透明的,通过我们摸出来的球的颜色,从而判断出黑白球比例。
先验概率
通过经验来得出概率。
后验概率
后验概率就是事件之后,推测原因的概率。
条件概率
P(A|B)
似然函数
sigmod函数
明天再细看 与参数估计相关
状态轨迹
将向量集导入使用朴素贝叶斯生成的模型,最终会得到带有相应动作的状态轨迹
昨天的思考问题有2:
- 这个状态轨迹是如何生成的,是朴素贝叶斯算法的运行结果吗?
- 运行轨迹是不是可以用视频剪辑出连续的图片,然后只用分类就能得到?
第一个问题
查阅了几个经典的朴素贝叶斯算法的例子,没有状态轨迹的生成,只有最后的结果,所以应该不是算法结果就是轨迹。不过不确定是不是在算法生成的过程中包括轨迹的过程,明天准备实现一个经典的朴素贝叶斯算法看一下。
第二个问题
如果只得到了分类的结果,如何得到轨迹?
有可能是得到了分类结果之后,通过查看到底是哪个动作的变化导致了状态发生改变,从而求得状态轨迹。但是这种方式又不合理,因为这就是实时的,得到的序列按理说就是前台传过来的图像序列。
思考了一下可以通过视频,但是视频的结果一帧之间可能不止有一个动作发生了改变。
这个问题先保留,可以采用放弃某些帧的策略,但还需再思考。