在我眼中，贝叶斯公式就是统计学走向机器学习的起点。这个就是贝叶斯公式，相当简洁。说到贝叶斯，必然离不开条件概率。条件概率是频率统计思维，通过已知的信息去计算事件出现概率，我们称之为正向概率；贝叶斯公式反其道而行之，通过实验结果去反推出现实验结果的原因，我们
朴素贝叶斯分类器 是一种常见且简单有效的贝叶斯分类算法。对已知类别，朴素贝叶斯分类器在估计类条件概率时假设特征之间条件独立。这样的假设，可以使得在有限的训练样本下，原本难以计算的联合概率 \ 转化为每个类别条件概率的乘积。尤其是在特征很多时，就显得更加简
P=p*ppp则为条件概率独立P=p/p=p/p*p/p. 通俗来说比如，你在街上看到一个黑人，我让你猜这哥们哪里来的，你十有八九猜非洲。①、这个人的肤色是黑色 <特征>②、黑色人种是非洲人的概率最高 <条件概率：黑色条件下是非洲人的概率
如果你已经仔细阅读了昨天的《基于贝叶斯推断的分类模型（理论篇）》，就会清楚地知道朴素贝叶斯是基于贝叶斯推断的生成式模型，假设l是我们的类别标记，x是我们的样本，我们为了获得样本类别的后验概率，根据贝叶斯定理，我们要计算的不仅是类条件概率P(x|l)，还需要
决策树是一种基本的分类和回归方法。本章主要讨论用于分类的决策树，决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程，它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性，分类
安科网(Ancii)，中国第一极客网
Copyright © 2013 - 2019 Ancii.com
京ICP备18063983号-5 京公网安备11010802014868号