目录
贝叶斯思维
老板的deduce:
outline
条件概率:
把他分到AB两盒中:
其实贝叶斯定理就是逆概率思维
全概率公式:
取出的巧克力是黑色的
一,朴素贝叶斯的学习与分类
1.基本方法
这就是贝叶斯分类的原理
朴素贝叶斯算法和贝叶斯的区别:
实例每个特征之间相互独立
那么为何称之为朴素?
所以生成方法就是:先要学习联合概率分布
再来回顾:
前面的比如(3/7)就是条件概率
条件概率*先验概率就是联合概率分布
2.后验概率最大化的含义
使得后验概率的最大类别,就是我们需要归属的那一类。
二,朴素贝叶斯法的参数估计
1.极大似然估计
(1)原理
假设去买苹果,有三种,买了一箱
取出一个苹果正好是155g,那这项苹果最可能是哪种苹果
(2)实现
训练集就是第一个和第三个球是黑色的,第二个球是白色的。
得到了联合概率函数的实际上
遍历方法带进去算出来
那当β=2/3是,似然函数L(β)的值最大。
ep2:
迭代法只能得到不断逼近的数值解
2.学习与分类算法
学习的对象就是训练集。
找出后验概率最大的,从而确定所属的类别Y
特征X(1)的取值范围为:X(1)->{1,2,3}
特征X(2)的取值范围为:X(2)->{S,M,L}
将先验概率与不同特征的条件概率相乘
后验概率最大化的方法,则此处y=-1的后验概率更大
类标记为-1。