ML：naive bayes
基於特徵相互獨立，強假設。 典型的生成模型(生成模型還有隱馬爾可夫鏈) 生成模型還原聯合概率分佈P(X,Y)，學習和收斂速度更快。 判別模型直接學習條件概率P(X|Y)或決策函數f(X)，往往準確率更高。 根據貝葉斯公式： 學習： 先驗概率P(Y) 條件概率P(X|Y) 得出： 後驗概率P(Y|X) 樸素貝葉斯將實例分到後驗概率最大的類中，等價於期望風險最小化。 先驗概率計算： 條件概率計算： 貝
相關文章
- 1. Navie Bayes Classification
- 2. bayes調參
- 3. Auto-Encoding Variational Bayes
- 4. [Bayes] runif: Inversion Sampling
- 5. deep|Bayes（1）
- 6. [Bayes] What is Sampling
- 7. Naive Bayes（Simple Example）
- 8. Naive Bayes text classification
- 9. [Bayes] Multinomials and Dirichlet distribution
- 10. Supervised Learning-----Naive Bayes Classification
- 更多相關文章...
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Navie Bayes Classification
- 2. bayes調參
- 3. Auto-Encoding Variational Bayes
- 4. [Bayes] runif: Inversion Sampling
- 5. deep|Bayes（1）
- 6. [Bayes] What is Sampling
- 7. Naive Bayes（Simple Example）
- 8. Naive Bayes text classification
- 9. [Bayes] Multinomials and Dirichlet distribution
- 10. Supervised Learning-----Naive Bayes Classification