标签：right frac 特征 假设 分类 贝叶斯 left

贝叶斯定理：\(P\left ( A|B\right ) = \frac{P\left ( B|A\right )P\left ( A\right )}{P\left ( B\right )}\) \(P\left ( A|B\right )\)：B发生的情况下A发生的概率，也叫A的后验概率（在B事件发生后对A时间概率的重新评估） \(P\left ( A \right )\)：A发生的概率，也叫A的先验概率（在B事件发生之前，对A事件概率的一个判断）   贝叶斯分类：在贝叶斯分类中，我们希望确定一个具有某些特征的样本属于某类标签h的概率，通常记为\(P\left ( h|特征\right )\)。套用贝叶斯公式：\(P\left ( h|特征\right ) = \frac{P\left ( 特征|h\right )P\left ( h\right )}{P\left ( 特征\right )}\) 这里，“特征”是我们所能够观察到的，“标签L”是我们的假设，对于不确定事物，假设往往是多个的。 \(P\left ( h_{1}|特征\right ) = \frac{P\left ( 特征|h_{1}\right )P\left ( h_{1}\right )}{P\left ( 特征\right )}\) \(P\left ( h_{2}|特征\right ) = \frac{P\left ( 特征|h_{2}\right )P\left ( h_{2}\right )}{P\left ( 特征\right )}\) \(P\left ( h_{3}|特征\right ) = \frac{P\left ( 特征|h_{3}\right )P\left ( h_{3}\right )}{P\left ( 特征\right )}\) 在所有的候选假设的集合\(H = \left \{h_{1},h_{2},...,h_{n}\right \}\)中，学习器在H中寻找给定数据“特征”时可能性最大的假设h，h被称为极大后验假设（Maximum a posteriori：MAP）   确定MAP的方法是用贝叶斯公式计算每个候选假设的后验概率：\(h_{MAP} = max_{h\in H}P\left ( h|特征\right ) = max_{h\in H}\frac{P\left ( 特征|h\right )P\left ( h\right )}{P\left ( 特征\right )} = max_{h \in H}P\left ( 特征|h\right )P\left ( h\right )\)   案例： 图中的对象D就是特征，可以看到特征由多个属性（收入，年龄，爱好）组成，是一个多属性的向量，我们将它表示为 \(D = < a_{1}, a_{2},...,a_{n}> \)   朴素贝叶斯分类： 对于上述问题，我们进行公式简化：独立性假设，当假设分类对应的各个属性间是相互独立的时候，就变成了朴素贝叶斯分类

 高斯朴素贝叶斯分类：

对于朴素贝叶斯分类中的，特征属性的值是连续数据时该如何求概率？那么我们假设数据都服从高斯分布（正态分布）：\(f\left ( x\right ) = \frac{1}{\sigma \sqrt{2*\pi}}e^{-\frac{1}{2}\left (\frac{x-\mu }{\sigma } \right )^{2}}\)，其中\(\sigma \)为总体标准差，\(\mu\) 为总体均值，我们使用训练集来获得正态分布的参数（\(\sigma \)，\(\mu\)），由多少个类，就会有多少组方差均值，形成对应的正态分布

 

 

标签：right,frac,特征,假设,分类,贝叶斯,left
来源： https://www.cnblogs.com/wsy107316/p/16250747.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。