贝叶斯决策定理
来源:互联网 发布:金蝶软件在线服务中心 编辑:程序博客网 时间:2024/05/26 12:59
- 讨论在不确定情况下决策的概率理论框架。在分类中,贝叶斯规则用来计算类的概率。会讨论推广到怎样做出合理的决策将期望风险最小化。
引言
数据来自一个不完全清楚的过程。将该过程作为随机过程建模表明我们缺乏知识,并用概率理论来分析它(也许该过程确定,只是我们没有获取关于它的完全知识的途径)。
我们不能获取的那些额外的数据称为不可观测的变量(unobservable variable),对应的称为可观测的变量。
在此讨论贝叶斯决策,当然应该先介绍一下朴素贝叶斯法了。
朴素贝叶斯法
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集,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;然后基于此模型,对给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。
根据贝叶斯定理计算后验概率:
后验概率最大化:
定义0-1损失函数(zero-one loss):
所有正确的决策没有损失,并且所有错误具有相同的代价。采取工作 的风险是
在一些应用中,错误的决策也许会有很高的代价。一般情况,如果自动系统对它的决策的把握较低,则需要一个更复杂的决策(如人工的)。
一个可能的损失函数如下:
0 0
- 贝叶斯决策定理
- 【机器学习】(5):贝叶斯决策定理
- 贝叶斯定理决策规则及Bayes思想总结
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 统计决策方法--贝叶斯决策
- 贝叶斯决策理论
- 贝叶斯学习决策算法
- 贝叶斯(Bayes)决策理论
- 贝叶斯(Bayes)决策理论
- 贝叶斯(Bayes)决策理论
- 贝叶斯决策论
- 贝叶斯决策 分类器
- Class对象与反射
- linux内核学习-6信号量(关注新浪微博:寂寞侵蚀的岁月(4000多篇技术分享))
- 洞悉linux下的Netfilter&iptables:开发自己的hook函数【实战】(下)
- kvm下安装系统(桥接,ubuntu)
- 百度POI api文档
- 贝叶斯决策定理
- Java AWt 1.1
- iphone,ipad,关于icon图标的那些事
- java--finalize()的学习
- 【学习笔记】Hibernate映射List、Map、数组、Set、Bag的具体操作
- HDU1159 Common Subsequence 最长公共子序列
- SQL索引
- iOS开发UI篇—控制器的创建
- Axure RP 7.0注册码