Notion 博客 一个NotionNext搭建的博客
数据库系统概论
大数据原理与应用
javaWeb应用开发基础教程
python
毕业设计
大数据技术综合应用
实训-航空数据系统
java面向对象程序设计
数据结构
算法分析与设计
SPARK
Python爬虫大数据采集与挖掘
云计算
概率论与数理统计
数字逻辑
计算机网络
计算机组成原理
linux
操作系统
人工智能导论
数据仓库与数据挖掘
数据可视化
大数据安全与隐私保护
c语言
C++
[第七章]贝叶斯分类算法
贝叶斯分类概述
贝叶斯概率基础
条件概率
P(A|B)
在B的条件下A的概率
加法定理
P(A+B)=P(A)+P(B)-P(AB)
- 对于互斥事件P(A+B)=P(A)+P(B)
乘法定理
P(AB)=P(B)P(A|B)
- 对于互斥事件P(AB)=P(A)P(B)
联合概率
- 完备事件组：B1/B2/B3…Bn互斥构成整个事件
先验后验
- 获取条件之前先验
- 主观先验
- 客观先验
- 获取某些条件限制后的概率：后验
贝叶斯定理
贝叶斯信念网络
- 有向无环图DAG
- 一个节点是一个随机变量
- 指向的是孩子节点
- 条件概率表CPT
- 没有父节点则为先验概率
- 有多个父节点（Y1Y2Y3）则为P(X|Y1Y2Y3)
- 随机变量A数据对象a
- p(a1,a2…an)=PAIP(ai|parent(Ai))
- parent(Ai)是父节点，无父节点则为本身
朴素贝叶斯分类
原理
特征向量X(x1x2….)描述属性An类别属性Cm其中后验概率是P(Ai|Cj)可以通过训练样本得出
目的，X（x1,x2…）描述属性的条件下类别属性是哪一个
即求
分母恒定，所以求最大分子即可
- 先计算P(Ci)
- 再求描述属性后验概率的连乘
- 类别属性的先验概率乘每一个描述属性的后验概率。每一个类别属性如此做后找到最大值
- 离散
- 连续符合高斯分布
SQL Server朴素贝叶斯分类
电子商务数据的贝叶斯分类
Prev
[第六章]决策树分类算法
Next
[第八章]神经网络算法
Loading...