机器学习笔记(六)——朴素贝叶斯法的参数估计
来源:互联网 发布:软件测试标准规范 编辑:程序博客网 时间:2024/06/03 20:55
一、极大似然估计
在上一笔记中,经过推导,得到了朴素贝叶斯分类器的表示形式:
y=argmaxckP(Y=ck)∏jP(X(j)=x(j)|Y=ck)(1)
也就是说,朴素贝叶斯方法的学习是对概率
先验概率
条件概率
其中,
将上述两个极大似然估计的值求出后,根据(1)式确定输入实例的分类。
二、贝叶斯估计
由(1)式可以得知,用极大似然估计可能导致估计出来的概率为0的情况,这会影响后验概率的计算结果,使得后验概率为0,解决这一问题的方法是采用贝叶斯估计。
先验概率
条件概率
上式中,
显然对于任何
总结
朴素贝叶斯方法的原理和重点内容到目前用了三节内容就重点学习完了,接下来会进一步学习跟贝叶斯相关的贝叶斯网络的内容。
0 0
- 机器学习笔记(六)——朴素贝叶斯法的参数估计
- 机器学习笔记(十八)——HMM的参数估计
- 机器学习笔记(十二)朴素贝叶斯算法及实践(NB算法的产生及参数估计)
- 朴素贝叶斯法的参数估计
- 机器学习笔记--朴素贝叶斯法
- 机器学习-朴素贝叶斯法笔记
- 机器学习笔记(四)——朴素贝叶斯
- 机器学习笔记(4)——朴素贝叶斯
- 机器学习笔记(五)——朴素贝叶斯分类
- 浅谈机器学习—朴素贝叶斯法
- 机器学习实战学习笔记8——朴素贝叶斯
- 机器学习——朴素贝叶斯法(naive Bayes)
- 朴素贝叶斯的参数估计
- 机器学习笔记2 - 朴素贝叶斯法
- 机器学习笔记5——朴素贝叶斯算法
- Udacity机器学习入门笔记——朴素贝叶斯
- Andrew Ng机器学习笔记(五)——生成学习算法和朴素贝叶斯算法
- 《机器学习实战》学习笔记(3)—— 朴素贝叶斯
- The C programing language 第四章,课后题
- hdu 5660 jrMz and angles【暴力枚举】【水题】
- 目标特征检测之ORB
- C++ vector用法
- 如何在ASP.NET MVC中使用ajax
- 机器学习笔记(六)——朴素贝叶斯法的参数估计
- leetcode之Pascal's Triangle
- Lab1: MapReduce
- VMware Workstation装Mac OS X出现无法恢复错误vcpu-0
- 来自谷歌的MVP的示例
- leetcode之Binary Tree Level Order Traverse
- Problem 1608 - Calculation 【状压dp】
- 混合专家系统(Mixture of experts)
- 关于javax.transaction.Transactional vs org.springframework.transaction.annotation.Transactional