机器学习_正态分布下的贝叶斯分类器
来源:互联网 发布:mysql大神博客 编辑:程序博客网 时间:2024/06/07 10:36
【1】贝叶斯分类器请看链接。原理就是P(ab)。公式如下:
【2】正态分布下的贝叶斯分类器,由于
1.其似然函数具有特殊形式,指数部分为马氏距离。所以可以ln化。注意ln化的原因:1.e次数一般要ln转化为加法 2.指数为马氏距离
2.最大后验概率是用来比大小的,所以与i无关的项是可以消掉的,考虑化简。这不失于一种加快计算的方法。
【3】几种特殊形式
1.各类别具有相同的斜方差矩阵,且协方差矩阵均为k*单位矩阵。
这种情况下,上式子三项。第二项第三项可以消掉,第一项提项为:
这就是欧式距离
插播一则知识点:如何判断分解面的直曲(一次为直线/平面,二次为曲线/曲面)
首先上式子为二次项,因为方差与i无关,乘法展开可消掉二次项变为一次项
其次判别式变为一次项,求分割面:各类判别函数(一次)列等式得结果仍为一次项。假设X=(x,y,z),带入之后得到关于x,y,z的等式。
2.各类别具有相同的协方差矩阵,也均为对角,但是矩阵内的各方差不相等。
因协方差和先验概率相等,二三项消掉。与前一种分类器的区别是距离被期望和方差所归一化了。
3.相同非对角化的协方差矩阵
留下了第一项,第二项第三项约掉。只留下了马氏距离!
4.不同的协方差矩阵
那就是上面那个式子直接求
【4】下面总结一下:
1.对于一般正态分布的情况,贝叶斯分类器是一个二次分类器。但如果二次项能消掉,就是一次分类器啦
2.对于某些正态分布的情况,可以使用欧式距离或者马氏距离去求
3.当然我们对上述问题进行了许多假设,产生了很多种分类器的情况。但是在很多情况下,给定你数据你是不知道是否满足该假设的,如果你去证明很费时间,所以一般是直接用,解决实际的问题才是王道。
- 机器学习_正态分布下的贝叶斯分类器
- 【机器学习】正态分布的判别函数
- 正态分布模式的贝叶斯分类
- 机器学习(周志华)_第七章 贝叶斯分类器
- 机器学习_贝叶斯网络分类算法
- 机器学习_线性分类器
- 机器学习 之 贝叶斯分类(下)
- 机器学习--贝叶斯分类器
- 机器学习-贝叶斯分类器
- 【机器学习】多元高斯分布下的贝叶斯分类感知器
- 机器学习_贝叶斯分类/最大后验概率分类/最大似然分类
- 机器学习的分类
- 机器学习的分类
- 机器学习的分类
- 机器学习的分类
- 机器学习的分类
- 机器学习_逻辑回归分类
- 机器学习-贝叶斯分类
- 切绳子
- 分布式系统事务一致性解决方案
- 有序数据【C语言程序设计】
- spring+hibernate多数据源切换
- LeetCode 331. Verify Preorder Serialization of a Binary Treet 二叉树前序遍历验证 Python Solution
- 机器学习_正态分布下的贝叶斯分类器
- 机器学习十大算法之线性回归
- JSON Web Token
- 常用正则表达式
- 无服务器探索之路(初级):AWS Lambda服务应用场景实践之一(一)
- Swift的一些特性_1
- jquery得到url参数
- 初识android studio项目结构
- html页面点击下载文件(共两种实现方法)