本文介绍了概率图模型中的两种重要模型：朴素贝叶斯和最大熵模型。朴素贝叶斯模型通过计算后验概率进行分类，其中特征独立假设简化了模型表示。最大熵模型则在满足约束条件下选择熵最大的模型，用于消除不确定性。最大熵模型的学习过程是一个约束优化问题，其结构类似马尔可夫网络。
概率图模型
概率图表示
1、朴素贝叶斯模型的原理及其概率图模型表示
朴素贝叶斯模型通过预测指定样本属于特定类别的概率 P ( y i ∣ x ) P(y_i|x) P(yi∣x) 来预测该样本的所属类别，即
y = m a x y i P ( y i ∣ x ) y=max_{y_i}P(y_i|x) y=maxyiP(yi∣x)
P ( y i ∣ x ) P(y_i|x) P(yi∣x)可以写成
其中 x = ( x 1 , x 2 , . . . , x n ) x=(x_1,x_2,...,x_n) x=(x1,x2,...,xn)为样本对应的特征向量， P ( x ) P(x) P(x)为样本的先验概率。对于特定的样本 x x x和任意的类别 y i y_i yi， P ( x ) P(x) P(x)的取值均相同，并不会影响 P ( y i ∣ x ) P(y_i|x) P(y
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
