第四章 贝叶斯定理

已于 2023-11-26 15:38:49 修改
阅读量107 收藏
点赞数
文章标签： 机器学习 人工智能 学习
于 2023-11-18 11:13:28 首次发布
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/weixin_44380216/article/details/134475531
版权
本文比较了频率论和贝叶斯法则，强调贝叶斯法则在面对不确定性时的信任度和灵活性，以及如何通过后验-先验循环进行概率更新。着重介绍了贝叶斯定理的应用，如医疗中的疾病预测和电子邮件过滤。
摘要由CSDN通过智能技术生成

频率论 VS 贝叶斯法则

频率论贝叶斯法则
不信任任何具体的测量或者观测 只是真是潜在数据的一种估计相信测量的结果
核心是相信真相永远存在并且任务就是找到真相真相被认为是一种只能用概率描述的模糊概念

偏置

抛掷一枚硬币
若它的偏置为0.1 那么正面朝上的概率为0.1
若它的偏置为0.5 那么正面超上的概率为0.5 我们称其为公平硬币
若它的偏置是0.9 那么正面朝上的概率为0.9

贝叶斯定理

优势 任何时候都可以推导出它

公式

贝叶斯公式

分类

  1. 主观贝叶斯：选择有个人主观因素
  2. 自动贝叶斯：用规则算法来选

后验-先验循环

假设-观测贝叶斯公式

后验-先验循环图
事件A B
先验：在不知道B 事件的前提下，对A的主观判断
可能性函数：调整因子 新信息B带来的调整 将先验调整的更接近事实
后验概率：P(A|B)
底层思想： 如果我能掌握一件事情的全部信息，那么就可以推算出一个客观的概率

贝叶斯的应用

医疗行业 重大疾病的预测
工作生活 邮件过滤
2023年11月18日11:11:57

数据挖掘导论（第二版）第4章：贝叶斯分类器.pptx
09-30
贝叶斯分类器是数据挖掘中的一种常用的分类算法，它基于贝叶斯定理，对于分类问题提供了一种概率的解决方案。贝叶斯分类器的主要思想是使用概率来描述分类问题，并通过贝叶斯定理来计算后验概率，以确定类别的可能性...
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...
第十二章 贝叶斯
zz_wen的博客
08-28 1238
贝叶斯定理（Bayes’ Theorem）是一种概率论中的基本定理，它描述了两个条件概率之间的关系。
第八章.贝叶斯分析—贝叶斯定理&朴素贝叶斯
weixin_45116749的博客
03-07 490
第八章.贝叶斯分析—贝叶斯定理&朴素贝叶斯
第四章：朴素贝叶斯法
qq_42198434的博客
05-16 239
朴素贝叶斯法朴素贝叶斯法的学习与分类朴素贝叶斯的参数估计极大似然估计贝叶斯估计 朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设的分类方法。首先贝叶斯法通过历史数据，特征条件独立的假设学习联合概率分布P(x,y)P(x,y)P(x,y)。然后基于此模型，对给定的输入xxx使用贝叶斯定理返回后验概率最大的输出yyy。 朴素贝叶斯法的学习与分类 设样本空间X\mathcal{X}X为nnn维向量的集合，输出空间Y\mathcal{Y}Y为类标记集合，Y={c1,c2,⋯ ,cK}\mathcal{Y}=\{c_1
第四章 朴素贝叶斯法
Peter-Haoran的博客
11-02 217
朴素贝叶斯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xxx ， 利用贝叶斯定理求出后验概率最大的输出yyy 。 朴素贝叶斯法实现简单，学习与预测的效率都很高，是一种常用的方法。 4.1 朴素贝叶斯法的学习与分类 4.1.1 基本方法 朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y)P(X,Y)P(X,Y)。具体地，学习以下先验概率分布及条件概率分布。先验概率分布： P(Y=ck),k=1,.
贝叶斯定理
leiting_imecas的博客
07-17 875
参考： http://blog.csdn.net/kesalin/article/details/40370325/ 简介 贝叶斯定理是18世纪英国数学家托马斯·贝叶斯（Thomas Bayes）提出得重要概率论理论。以下摘一段 wikipedia 上的简介： 所谓的贝叶斯定理源于他生前为解决一个“逆概”问题写的一篇文章，而这篇文章是在他死后才由他的一位朋友发表出来的
机器学习--第一章贝叶斯定理及其应用
10-17 183
贝叶斯统计都是以条件概率，联合概率为基础的，所以我们从概率，条件概率，联合概率开始，然后到贝叶斯定理，最后讲一个贝叶斯的应用--垃圾邮件的过滤 概率：事件发生的可能性，比如抛一枚硬币，正面向上的可能性有50%，掷色子点数为6的可能性为1/6。我们用符号表示为P(A) 条件概率：满足某些条件下事件发生的可能性，比如求一个人在买了裤子的前提下再买衣服的概率，我们用符号表示为P(B|A)，...
《统计学习方法》 第4章 朴素贝叶斯法
weixin_46034279的博客
04-23 910
本文只要记录一些书中的一些小知识点，挑一些本人认为重要的地方进行总结。各位道友！道长(zhǎng) 道长(chǎng)今天的内容是统计学习方法的第一章节，挺容易理解的，结合模型图理解更加方便。
第四章 朴素贝叶斯
winds_lyh的博客
05-28 305
1. 概念区分 朴素贝叶斯与贝叶斯估计 朴素贝叶斯： 朴素贝叶斯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xxx，利用贝叶斯定理求出后验概率最大的输出yyy. 贝叶斯估计： 先验概率与后验概率 先举个栗子： 假设停电主要有两个原因导致：电路损坏和忘充电卡。 停电的概...
第四章：朴素贝叶斯法（条件概率、贝叶斯定理、朴素贝叶斯）
Q_ym006的博客
06-04 194
朴素贝叶斯法 1、贝叶斯思维 2、条件概率 3、贝叶斯定理：逆概率思维 4、朴素贝叶斯（基本方法）
第4章 贝叶斯分类器.zip
02-06
**第4章 贝叶斯分类器** 在机器学习领域，贝叶斯分类器是一种广泛应用的算法，它基于概率论中的贝叶斯定理。本章将深入探讨这一概念，帮助你理解如何利用贝叶斯分类器进行数据分类。 **一、贝叶斯定理** 贝叶斯...
第四章 朴素贝叶斯法1
08-03
朴素贝叶斯法是一种基于贝叶斯定理的数据挖掘技术，常用于解决分类问题。该方法的核心思想是利用贝叶斯定理来计算给定一组属性值时，某一类别的后验概率。在数据挖掘领域，朴素贝叶斯分类器以其简单、高效和易于实现...
从物理学到机器学习：用技术手段量化分析职场被动攻击行为
SiArch的博客
03-28 1304
通过将物理学原理与机器学习技术相结合，我们不仅可以量化分析职场中的被动攻击行为，还能构建智能化的预警和应对系统。这种技术手段的应用需要遵循"AI for Good"的原则，在提升组织效率的同时，也要注重保护员工权益，最终实现人机协同的智慧型组织进化。
（二）机器学习---概述
最新发布
m0_64461937的博客
03-31 653
人工智能一个分支和实现方式，研究计算机怎样模拟或实现人类的学习行为以获取新的知识或技能，重新组织已有的知识结构来改善计算机系统自身的性能。
机器学习——集成学习框架(GBDT、XGBoost、LightGBM、CatBoost)、调参方法
qq_64296768的博客
03-27 1112
使得模型效果更好，那么我怎么更好的去寻找到满足前提条件中最好的值(即这个前提条件是最优的)，此时寻找的方法就可以使用高斯过程，找到这个最好的前提条件值，此时就只需要对另外一个参数2做考虑即可，迭代参数2的范围，找到模型性能最好的那组对应的超参数组合。幸运的是，目前这个好理解但实现复杂的方法已经被封装在。其高斯过程的核心是对已有的数据点预测区域进行函数建模，求其不确定性和概率分布，对其中概率较大的区间的进行迭代，使得模型的损失达到最低时对应的超参数组合选择，但是这种方式比较消耗计算资源。
Google开源机器学习框架TensorFlow探索更多ViT优化
自由鬼的博客
03-29 1064
Google开源机器学习框架TensorFlow探索更多ViT优化
Ground Truth（真实标注数据）：机器学习中的“真相”基准
Zlyzjiabjw547479的博客
03-27 808
本文介绍了机器学习与深度学习领域的一个常见概念：Ground Truth（GT，真实标注数据）。Ground Truth（简称GT）是指在训练和评估机器学习模型时使用的已知正确答案或标签。它是模型学习的基础，也是评估模型性能的标准。在图像分类任务中，Ground Truth是每张图片的正确类别标签（label）在目标检测中，Ground Truth是物体在图像中的精确位置和类别（mask、annfiles等）在自然语言处理中，Ground Truth可能是文本的情感标签或正确的翻译。
深入理解机器学习之TF-IDF：文本特征提取的核心技术
zdx2585503940的博客
03-28 950
TF-IDF是一种统计方法，用于评估一个词对于一个文档集或语料库中的某个文档的重要程度。核心思想：一个词在当前文档中出现的频率越高，同时在所有文档中出现的频率越低，则该词对当前文档的代表性越强。词频(TF, Term Frequency)：衡量词在文档中出现的频率逆文档频率(IDF, Inverse Document Frequency)：衡量词的普遍重要性我们在这里使用六行英文单词数据，数据文件命名为 task2_1.txt。
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

打赏作者

李少女_辣辣妹

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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