朴素贝叶斯(MLE&MAP)
来源:互联网 发布:xapmm 设置域名重定向 编辑:程序博客网 时间:2024/06/07 09:00
前提:朴素贝叶斯是基于特征条件独立假设成立的,即用于分类的特征在类确定的条件下都是条件独立的。
一.分类器
二.参数估计
1.最大似然估计
已知模型,参数未知。是一种参数估计方法。最大似然估计只考虑某个模型能产生某个给定观察序列的概率。而未考虑该模型本身的概率。这点与贝叶斯估计区别。
最大似然估计的一般求解过程:
(1) 写出似然函数;
(2) 对似然函数取对数,并整理;
(3) 求导数 ;
(4) 解似然方程
2.最大后验估计
在似然的基础上,由综合考虑了先验信息。
p(y|x)=p(y).p(x|y)
其中,p(y)为先验信息,p(x|y)为似然信息
注:(1)MLE&MAP参数估计的例子可参考http://www.cnblogs.com/sylvanas2012/p/5058065.html
(2)关于MLE和MAP还可参考http://blog.csdn.net/upon_the_yun/article/details/8915283
3.贝叶斯估计
优点:
(1)朴素贝叶斯模型发源于古典数学理论,有稳定的分类效率。
(2)对小规模的数据表现很好,能个处理多分类任务,适合增量式训练,尤其是数据量超出内存时,我们可以一批批的去增量训练。
(3)对缺失数据不太敏感,算法也比较简单,常用于文本分类。
缺点:
(1) 理论上,朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此,这是因为朴素贝叶斯模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的,在属性个数比较多或者属性之间相关性较大时,分类效果不好。而在属性相关性较小时,朴素贝叶斯性能最为良好。对于这一点,有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进。
(2)需要知道先验概率,且先验概率很多时候取决于假设,假设的模型可以有很多种,因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。
(3)由于我们是通过先验和数据来决定后验的概率从而决定分类,所以分类决策存在一定的错误率。
- 朴素贝叶斯(MLE&MAP)
- MAP与MLE的区别及朴素贝叶斯分类器
- 三种参数估计方法(MLE,MAP,贝叶斯估计)
- [MLE&MAP]
- 浅析Likehood MAP MLE
- MLE, MAP, EM, GMM
- MLE and MAP
- MAP与MLE
- MLE, DT, MAP简谈
- MLE和MAP
- MLE与MAP
- MLE、MAP、Bayies估计
- 极大似然估计(MLE)和贝叶斯估计(MAP)
- 详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
- MAP、SRM、ERM与MLE
- MLE、ERM和MAP、SRM
- 参数估计(Parameter Estimation):频率学派(最大似然估计MLE、最大后验估计MAP)与贝叶斯学派(贝叶斯估计BPE)
- 参数估计(Parameter Estimation):频率学派(最大似然估计MLE、最大后验估计MAP)与贝叶斯学派(贝叶斯估计BPE)
- PHP-全局变量
- C语言学习记录 内存四区之全局区
- PCIe基础知识
- PHP错误与异常
- Fixing the Java Memory Model, Part 1
- 朴素贝叶斯(MLE&MAP)
- Oracle用户密码过期处理方法
- 跨域CORS
- 如何利用Vuforia6.2.10,在Unity2017中来实现AR中的虚拟按钮功能
- ajax技术以及json格式转换
- [BZOJ2404]最长链
- 获取中文字符串的第一个大写字母
- POJ 3648Wedding (2-SAT 输出路径)
- java 字符串,字符数组,list间的转化