第四章 贝叶斯定理

已于 2023-11-26 15:38:49 修改
阅读量78 收藏
点赞数
分类专栏： 深度学习：从基础到实战 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

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

李少女_辣辣妹
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
第四章 朴素贝叶斯
winds_lyh的博客
05-28 277
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...
一文看懂贝叶斯定理及应用（值得收藏）
大数据
01-16 9798
导读：在机器学习的一些主要任务中，贝叶斯模型是一种经典的简单学习模型。本文介绍贝叶斯模型及贝叶斯定理。作者：卢誉声来源：大数据DT（ID：hzdashuju）分类问题是一种经典的机器学习...
第八章.贝叶斯分析—贝叶斯定理&朴素贝叶斯
weixin_45116749的博客
03-07 450
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
05-16 200
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
11-02 187
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,.
机器学习--第一章贝叶斯定理及其应用
10-17 150
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)，...
第四章总结 朴素贝叶斯法
MachineRandy
03-14 353
朴素贝叶斯法 NaiveBayesNaiveBayesNaive Bayes 是基于贝叶斯定理与特征条件独立假设的分类方法。朴素一词也意味着它是一种最简单、常见的贝叶斯方法，朴素贝叶斯是贝叶斯证据独立的表达形式，属于一种特例。 4.1 朴素贝叶斯的学习和分类 4.1.1 概率论基础 先验概率、条件概率和后验概率 先验概率：事件发生前的预判概率。可以是基于历史数据的统计，可以由...
从贝叶斯定理说开来
aofan9566的博客
10-10 152
从贝叶斯定理说开去罗朝辉 (http://kesalin.github.io/)CC 许可。转载请署名并保留出处简单介绍贝叶斯定理是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 上的简单介绍：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。在贝叶斯写这篇文...
贝叶斯定理
leiting_imecas的博客
07-17 808
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
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...
【机器学习-神经网络】卷积神经网络
最新发布
Morse_Chen的博客
08-30 2126
本文介绍了卷积神经网络和其在图像处理任务中的应用，包括用卷积神经网络完成图像分类任务、用预训练的卷积神经网络完成色彩风格迁移。
机器学习 第6章 支持向量机
qq_55871320的博客
08-25 1260
上式表明：只要一个对称函数所对应的核矩阵半正定,它就能作为核函数使用.事实上,对于一个半正定核矩阵,总能找到一个与之对应的映射φ.换言之,任何一个核函数都隐式地定义了一个称为“再生核希尔伯特空间”的特征空间。在该样本空间中，中间的"实线段"都可作为划分超平面，但它们的效果不尽相同。在现实任务中,原始样本空间内也许并不存在一个能正确划分两类样本的超平面，如下图中的" 异或 问题就不是线性可分的。对这样的问题，可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性分。
AI中的核心概念解读：深度学习、机器学习、神经网络与自然语言处理
wypdao的专栏
08-26 782
人工智能（AI）：包含所有让机器具备智能行为的技术。机器学习（ML）：AI 的子领域，通过数据自动学习和做出决策。深度学习（DL）：机器学习的子领域，基于多层神经网络进行复杂数据的学习和处理。神经网络（Neural Networks）：深度学习的核心结构，模仿人脑神经元的连接方式。自然语言处理（NLP）：AI 的子领域，专注于处理和理解自然语言。理解人工智能中的这些核心概念，能够帮助你更好地导航这一广阔的技术领域。
模糊C-means算法原理及Python实践
u013571432的博客
08-26 1436
模糊C-means（Fuzzy C-Means，简称FCM）算法是一种经典的模糊聚类算法，它在数据分析、数据挖掘、图像处理等多个领域有着广泛的应用。总的来说，模糊C-means算法通过优化目标函数和迭代更新隶属度矩阵及聚类中心的方式，实现了对数据集的模糊聚类分析。在这种情况下，你可能需要考虑使用更快的聚类算法或优化FCM算法的实现（例如，使用并行计算、减少迭代次数、使用近似方法等）。FCM算法的核心是优化一个目标函数，该目标函数本质上是各个点到各个聚类中心的欧氏距离的平方和的一个加权形式。
机器学习-特征工程API
m0_68153457的博客
08-28 1077
实例化转换器对象，都是的子类：字典特征提取文本特征提取IDF文本特征词的重要程度特征提取归一化标准化底方差过滤降维PCA主成分分析降维转换器对象调用进行转换其中fit用于计算数据，transform进行最终转换可以使用fit()和代替data_newtransferdata可写成transferfitdatadata_newtransfertransformdata字典特征提取是指一个矩阵中大部分元素为零，只有少数元素是非零的矩阵。
模式识别基础：贝叶斯定理与特征选择
每一章都深入探讨了模式识别的不同方面，例如，第一章介绍了模式识别的基础概念，包括特征矢量、特征空间、随机矢量的描述以及正态分布。聚类分析是无监督学习的一种，用于发现数据内在的结构和分组；而判别域代数...
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