朴素贝叶斯在mnist上应用

最新推荐文章于 2024-06-06 11:08:18 发布
最新推荐文章于 2024-06-06 11:08:18 发布
阅读量891 收藏 13
点赞数 2
分类专栏： 模式识别 文章标签： python 机器学习
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/white_156/article/details/105015384
版权
本文介绍了如何使用朴素贝叶斯方法在MNIST手写数字数据集上进行图像识别。通过二值化处理图片，利用大数定理估计概率模型，并应用拉普拉斯平滑处理，最终实现对图片的分类。实验结果显示，识别准确率为0.8413。
摘要由CSDN通过智能技术生成

贝叶斯方法在mnist手写数据集上应用

理论基础

记 I m g Img Img为待识别的照片， Y Y Y为种类集合,那么根据贝叶斯公式可知
P ( Y i ∣ I m g ) = P ( I m g ∣ Y i ) P ( Y i ) P ( I m g ) P(Y_i|Img) = \frac{P(Img|Y_i)P(Y_i)}{P(Img)} P(Yi​∣Img)=P(Img)P(Img∣Yi​)P(Yi​)​
在mnist数据集上的应用即为求最大后验概率问题
f = a r g m a x P ( Y = i ∣ I m g ) f = argmax P(Y=i|Img) f=argmaxP(Y=i∣Img)
进一步细化问题,又可以分为 如何表示变量 I m g Img Img 和 如何得到Y的参数模型.针对这两个问题将在下文中一一讲述

  1. 如何表示变量 I m g Img Img
    在mnist的官网上可以查到,数据集中图片是标准化处理的28X28灰度图像,采用一维矩阵存储.所以我们可以用这784个像素点作为特征值来描述一副图片,也就是说每一副图片都是由784个独立且随机变量构成.但是由于每一副图像都经过标准化处理,像素点的取值可近似为区间 [ 0 , 1 ] [0,1] [0,1]上连续,为避免过于复杂运算,这里首先对图片进行二值化处理,关于图片二值化处理将在程序实现中说明,这里不过多介绍
  2. 如何得到 Y Y
最低0.47元/天 解锁文章
white_156
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
朴素贝叶斯算法对MNIST数据集分类
little_white 的博客
04-27 6138
1.朴素贝叶斯算法介绍 算法本质的是贝叶斯公式 p(x∣y)=p(y∣x)p(x)p(y)p(x \mid y)=\dfrac{p(y \mid x)p(x)}{p(y)}p(x∣y)=p(y)p(y∣x)p(x)​，计算在已知数据的条件下，求各个分类的后验概率，数据的分类结果是概率最大的那个分类。 朴素一词的来源是假设各特征之间相互独立。因此 p(x⃗∣c1)=p(x1,x2...xn∣c1)=...
朴素贝叶斯分类器（Naive Bayesian Classifier）及简单的算法实践（识别MNIST手写数字）
jeremy0621的博客
11-13 7492
文章概述 朴素贝叶斯分类器是基于贝叶斯定理所实现的一种对于数据分类的算法，本文章将先对贝叶斯定理和对于机器学习（数据分类）上的作用进行简单介绍，然后通过代码（python）实现朴素贝叶斯分类器识别MNIST数据集的手写数字。 贝叶斯定理 在机器学习中， 通常为数据（feature），为数据预测的模型（label）。 对于贝叶斯定理每一项的解释： : 先验概率，在观测具体数据前预测某种数据标签（label）的概率。 : 似然值，在预测h下数据的概率。 ...
机器学习二 基于朴素贝叶斯模型实现对mnist数据集的分类
凌阳的博客
03-25 2303
原理分析 朴素贝叶斯算法 朴素贝叶斯方法是贝叶斯定理与特征条件独立假设相结合的分类方法。对于给定的训练数据，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；再利用贝叶斯定理算出后验概率最大的类。 朴素贝叶斯算法 拉普拉斯平滑 代码解析： 朴素贝叶斯 （1）加载数据 ①加载数据，将mnist二进制数据集加载成矩阵形式 ②将label值二值化，label>=5时为1，label<5时为0 ③将data值二值化，当data=0...
mnist中运用的朴素贝叶斯（先验概率，后验概率，全概率，似然函数）
boss的博客
04-17 777
朴素贝叶斯中的朴素是指时间之间相互独立 先说下mnist中的条件，有十个数字图片，1-9全部等分 如果模型的正确率是95%，错误率5% 问：随便拿一张数字图片，如果得到的数字是3 P(B)，则拿的数字图片是哪一张P(A)？ 这个问题就是朴素贝叶斯问题 命事件P(B)是得到的数字是3（观测结果） 命事件P(A)拿到哪一张数字 先验概率：在进行实验之前，就已经得到的概率，这里是 10%，因为数据是1...
基于Python编写的朴素贝叶斯在Mnist数据集上实现手写数字识别
最新发布
qq1744828575的博客
06-06 662
一、项目背景与意义手写数字识别是计算机视觉领域的一个经典问题，旨在将手写数字图像转化为可编辑的数字形式。MNIST数据集是一个广泛使用的手写数字图像数据集，包含了大量的手写数字样本，常被用于评估各种图像识别算法的性能。朴素贝叶斯分类器是一种基于贝叶斯定理和特征条件独立假设的分类方法，虽然在手写数字识别等复杂问题上可能不如深度学习方法效果好，但其简单性和可解释性使得它仍然具有一定的研究价值。二、数据集介绍。
用朴素贝叶斯分类方法解决MNIST手写数字分类问题
蛋总的快乐生活
11-26 1394
https://blog.csdn.net/qwe900/article/details/109774223111
贝叶斯决策在MNIST数据上的应用
damant的专栏
10-13 5896
贝叶斯决策贝叶斯决策是解决模式分类问题的一种基本方法。贝叶斯公式为： ，其中x为特征值，wj为第j个类别。公式可以理解为：后验概率=条件概率密度*先验概率/证据因子。先验概率通常容易得到，而证据因子可以看成一个标量，因此问题的关键在于对条件概率密度的估计。高斯分布通常可以用高斯分布来估计条件概率密度，多元正态密度的形式为： ，x为一个d维列向量，u是d维均值向量，Σ是d*d的协方差矩阵。判别函数
朴素贝叶斯实现mnist数字识别
07-04
初学机器学习，使用python实现的朴素贝叶斯算法实现数字识别，使用mnist数据集训练和测试
朴素贝叶斯算法实现(使用MNIST数据集)_Python环境
07-26
在本项目中，我们将利用朴素贝叶斯算法处理MNIST数据集，这是一个广泛用于手写数字识别的问题。 MNIST数据集包含60,000个训练样本和10,000个测试样本，每个样本都是28x28像素的手写数字图像，可以被看作784维的特征...
基于Mnist数据集的贝叶斯分类器
05-04
在机器学习领域，贝叶斯分类器是一种广泛应用的算法，尤其在处理文本分类、垃圾邮件检测等问题时表现出色。在本项目中，我们将探讨如何利用Python编程语言和经典的Mnist数据集来实现一个贝叶斯分类器。Mnist数据集是...
mnist手写字的knn ,naive bayes,svm实现
11-29
机器学习大作业，用matlab对mnist手写字分类，包含knn bayes 和svm算法
运用贝叶斯决策理论实现手写数字识别（代码+minist数据集）
03-21
熟悉和掌握贝叶斯决策理论，并利用贝叶斯决策理论的相关知识实现手写数字的识别算法，并分析主要参数变化对于识别结果的影响。 参考博客：https://blog.csdn.net/weixin_43442778/category_9481732.html
bayes-mnist:朴素贝叶斯算法和随机森林算法解决手写数字识别
05-18
MNIST和USPS手写数字识别算法: 朴素贝叶斯和随机森林bayes-mnist : 多项式朴素贝叶斯和伯努利朴素贝叶斯解决MNIST数据集bayes-usps : 多项式朴素贝叶斯和伯努利朴素贝叶斯解决USPS数据集random-forest-mnist : 随机...
MATLAB实现朴素贝叶斯分类对手写数字数据集进行分类
10-19
在机器学习领域，朴素贝叶斯分类是一种广泛应用的算法，尤其在文本分类和垃圾邮件过滤等领域。本项目将探讨如何使用MATLAB来实现朴素贝叶斯分类器，并将其应用于手写数字识别。手写数字数据集通常是机器学习初学者...
MNIST数据集基于朴素贝叶斯分类器的手写识别
QDU_ZXF的博客
11-18 6985
一、实验目的   熟悉和掌握贝叶斯分类器的概念、原理、算法实现。并利用朴素贝叶斯分类器对 MNIST 手写数字数据集进行分类，理解训练流程和分类原理。 二、实验原理   贝叶斯决策论（Bayesian decision theory）是概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记（选择后验概率最大的那...
图像处理基本库的学习笔记3--贝叶斯，随机森林算法两种方法实现MNIST手写体数字识别
03-01 1399
贝叶斯 内容： 贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照乘法法则，可以立刻导出： P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)。 如上公式也可变形为： *P(B|A) = P(A|B)P(B) / P(A)。 所谓贝叶斯公式，是指当分析样本大到接近总体数时...
python朴素贝叶斯分类MNIST数据集
weixin_30266829的博客
07-28 587
实现代码：import structfrom numpy import *import numpy as npimport timedef read_image(file_name): #先用二进制方式把文件都读进来 file_handle=open(file_name,"rb") #以二进制打开文档 file_content=file_handle.read() #读...
朴素贝叶斯分类mnist数据集
06-03
朴素贝叶斯分类器可以用于对MNIST数据集进行分类。MNIST数据集包含大约70,000张手写数字图像，其中60,000张图像用于训练，10,000张图像用于测试。每个图像的大小为28x28像素，并且已经被标记为数字0到9中的一个。 为了使用朴素贝叶斯分类器对MNIST数据集进行分类，可以将每个图像表示为一个向量，其中每个元素表示相应像素的灰度值。然后，可以使用朴素贝叶斯分类器对这些向量进行分类，将每个向量分类为数字0到9中的一个。 具体来说，可以使用多项式朴素贝叶斯分类器来对MNIST数据集进行分类。在这种情况下，每个像素的灰度值被视为一个离散变量，可以使用多项式分布来建模。可以使用训练数据来估计多项式分布的参数，并使用这些参数来对测试数据进行分类。 需要注意的是，朴素贝叶斯分类器通常不是最好的选择，因为它们假设所有特征都是独立的，而在MNIST数据集中，相邻像素通常是高度相关的。因此，更高级的分类器，如卷积神经网络，可能会获得更好的性能。
评论 2
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
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