贝叶斯、先验概率后验概率
贝叶斯定理
https://www.matongxue.com/madocs/301/
例子:
开车的时候,如果前面的挡风玻璃坏了,那我们怎么判断什么时候右转,
已知这条道路
所我们可以通过后视镜观察后面车的动向居然是否右转
新的信息出现了,此时如果右转,错误的概率就比之前小很多。这就是贝叶斯定理所阐述的思考方法。
数学描述
本质理解
贝叶斯与人脑机制类似
先验概率 、后验概率
先验概率是 以全事件为背景下,A事件发生的概率,P(A|Ω)
全事件一般是统计获得的,所以称为先验概率,没有实验前的概率后验概率是 以新事件B为背景下,A事件发生的概率, P(A|B)
新事件一般是实验,如试验B,此时的事件背景从全事件变成了B,该事件B可能对A的概率有影响,那么需要对A现在的概率进行一个修正,从P(A|Ω)变成 P(A|B),所以称 P(A|B)为后验概率,也就是试验(事件B发生)后的概率
朴素贝叶斯分类算法
传送门
- 贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法
核心算法:
例子分析
给定数据
问题
- 现在给我们的问题是,如果一对男女朋友,男生想女生求婚,男生的四个特点分别是不帅,性格不好,身高矮,不上进,请你判断一下女生是嫁还是不嫁?
转化为数学公式
成立条件
- 这个等式成立的条件需要特征之间相互独立。这也就是为什么朴素贝叶斯分类有朴素一词的来源,朴素贝叶斯算法是假设各个特征之间相互独立,那么这个等式就成立了!
为什么需要假设特征之间相互独立?
- 如果特征不独立,我们这个例子有4个特征,其中帅包括{帅,不帅},性格包括{不好,好,爆好},身高包括{高,矮,中},上进包括{不上进,上进},那么四个特征的联合概率分布总共是4维空间,总个数为233*2=36个。现实情况往往更复杂,这样我们无法通过样例来统计出概率
- 而独立的条件下,上述公式就可以拆成分开连乘形式
这样子就可以根据上面的表格求出各个条件概率代入计算
朴素贝叶斯分类的优缺点
优点:
- 算法逻辑简单,易于实现
- 分类过程中时空开销小
缺点:
- 理论上,朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此,这是因为朴素贝叶斯模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的,在属性个数比较多或者属性之间相关性较大时,分类效果不好。
而在属性相关性较小时,朴素贝叶斯性能最为良好。对于这一点,有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进。
贝叶斯、先验概率后验概率相关推荐
- 机器学习34:贝叶斯先验概率
机器学习34:贝叶斯先验概率: 理解贝叶斯先验概率是为了更好的理解正则化的概念. (1)贝叶斯先验概率和贝叶斯后验概率: 1.先验概率是指根据以往经验和分析得到的概率,即在事情发生之前事情发生的概率. ...
- matlab贝叶斯判别后验概率,贝叶斯公式的直观理解(先验概率/后验概率)
博客转自:https://www.cnblogs.com/yemanxiaozu/p/7680761.html 前言 以前在许学习贝叶斯方法的时候一直不得要领,什么先验概率,什么后验概率,完全是跟想象 ...
- matlab贝叶斯判别后验概率,统计学习方法——朴素贝叶斯法、先验概率、后验概率(示例代码)...
朴素贝叶斯法,就是使用贝叶斯公式的学习方法,朴素就是它假设输入变量(向量)的各个分量之间是相互独立的.所以对于分量之间不独立的分布,如果使用它学习和预测效果就不会很好. 简化策略 它是目标是通过训练数 ...
- 朴素贝叶斯先验概率公式推导
1.朴素贝叶斯模型 朴素贝叶斯是基于贝叶斯定理和特征条件独立性假设的分类模型:他将待预测的样本划分到后验概率 P(Y|X ) 最大的类别中 模型建立过程如下: 现在我们的问题是如何求解P(Y=Ck), ...
- matlab贝叶斯判别后验概率,贝叶斯公式、先验概率、后验概率
先验概率: 在缺少某个前提下的变量概率,在机器学习中就是没有训练样本,在训练之前的初始概率:P(w) 后验概率: 在有了样本数据以后,对变量进行概率的修正,得到的概率就是后验概率,,例如g是样本,则后 ...
- 第九课.朴素贝叶斯分类器
目录 朴素贝叶斯算法原理 朴素贝叶斯参数估计 极大似然估计 贝叶斯估计 朴素贝叶斯算法流程 实验:Numpy实现朴素贝叶斯分类器 朴素贝叶斯算法原理 若P(X)P(X)P(X)表示事件XXX发生的概率 ...
- 西瓜书笔记7:贝叶斯分类器
目录 相关概率知识 贝叶斯-全概率公式 先验概率.后验概率.似然概率 7.1 贝叶斯决策论 7.2 极大似然估计 极大似然估计公式 均值方差估计公式推导 概率知识复习 高斯分布 最大似然估计 7.3 ...
- 机器学习__04__朴素贝叶斯算法
文章目录 朴素贝叶斯 1.0 概述 2.0 相关原理 2.1后验概率最大化含义 2.2拉普拉斯平滑 3.0 朴素贝叶斯的三种形式和实现 3.1高斯型 3.2多项式型 3.3伯努利型 4.0 中文文本分 ...
- 机器学习之朴素贝叶斯三、拉普拉斯平滑技术、优化改进情感分析
文章目录 一.前文问题 1. 先看下改进前我们的代码计算部分 2. `问题分析`: 二.针对问题进行解决 1. 什么是`拉普拉斯平滑`技术 2. 拉普拉斯优化-下溢上溢问题 3. 改进地方分析: 4. ...
- 【机器学习】贝叶斯模型(Bayesian Model)
贝叶斯模型 最小错误率贝叶斯 先验概率 似然概率 二类判决问题 最小错误率贝叶斯公式 误差 例题 极大似然估计 例题 最小风险贝叶斯 癌症诊断 分类器设计 生成模型(Generative Model) ...
最新文章
- 解析广泛应用于NLP的自注意力机制(附论文、源码)
- SQL Server 跨域访问
- 官方文档翻译-ESP32-High Resolution Timer
- ISE如何封装与使用IP —— 使用ngc文件与仅包含端口的v文件
- 非专业转行python的几点建议
- redis的基本使用笔记一
- Web前端开发笔记——第二章 HTML语言 第二节 基本标签
- vijos P1740 聪明的质检员
- 三星p7510 android 8.0,7510更新到安卓8.0了。。。
- Debug Current Instruction Pointer 删除debug蓝色小箭头
- HDU6266 - Hakase and Nano 狄利克雷卷积
- Open Sans字体
- 前端-回到顶部效果总结
- 能量,功率,能量谱和功率谱密度
- vue之ele组件中的select下拉 绑定对象值
- Market Research/ Desk Research免费二手数据渠道整理
- 哔哩哔哩2019秋招笔试试题二——脸滚键盘
- 有关于进程,线程and协程
- 夏季养生知识为居民提供健康指导
- 如何快速制作Gif动图
热门文章
- Serverlet理解
- 端口聚合 / 链路聚合
- liunx系统下载VSCODE教程
- 中国和德国屋顶绿化行业的差异对比
- 有个游戏角色的技能对敌方某个玩家攻击后,该敌方玩家会进入5秒的中毒状态(中毒状态没结束再次被攻击,则中毒状态重新计时直至5秒后结束)现在根据给定的数组,将其每个元素取绝对值并按从小到大排列后,当 作这
- Linux下安装Logstash
- signature=2f5f7776a12b849050f88bd5b555c78c,System and method for managing security in a supply chain
- 真棒 20 张图揭开内存管理的迷雾,瞬间豁然开朗
- Leetcode28 KMP算法 击败100%
- FastDFS集群环境搭建