这是我本学期的第二份pattern recognition作业，现在已经考完了，有时间把这些内容传上来...实验原理：1、求两类样品均值：， i=1，22、求两类样品类内离散度矩阵以及总类间离散度矩阵： i=1，2 和 3、求向量：，该向量使得Fisher准则函数取得最大值的向量4、将训练集
转载
2024-09-07 22:28:13
24阅读
贝叶斯法则和贝叶斯公式 一、总结 一句话总结： 贝叶斯法则（定理）：$$p ( A | B ) = \frac { P ( B | A ) \times p ( A ) } { P ( B )}$$ 全概率公式：$$P ( B ) = \sum _ { i = 1 } ^ { n } P ( M _
转载
2020-11-08 23:23:00
732阅读
点赞
2评论
贝叶斯分类是统计学分类方法。它们可以预测类成员关系的可能性，如给定样本属于一个特定类的概率。 贝叶斯定理是就是在给定的数据概率来表示未知的后验概率。比如已知某水果是红色的情况下，判断该水果有多大的概率是苹果，用数学符号表示就是(后验概率)，其中X表示“这个水果是红色的”，H表示“这个水果是苹果...
转载
2013-11-24 16:40:00
753阅读
2评论
逻辑推理的一个常见误区是以偏概全。一个典型例子是：许多渠道显示，地震发生时伴随的一个常见现象是动物园里的动物普遍地焦躁不安。于是，有些人就把动物焦躁不安作为地震预测的一个强有力的手段。更有甚者，一旦发现动物普遍地焦躁不安，直接就说，哪里要发生地震了。那，这样的推理具有什么样的缺陷呢？
地震和动物焦躁不安都是不确定性事件。用A表示动物园里的动物普遍地焦躁不安，用B表示地震的发生。那们上述推理犯
转载
2019-06-02 09:20:16
920阅读
点赞
在看贝叶斯算法的相关内容时，你一定被突如其来的数学概念搞得头昏脑涨。比如极大似然估计(Maximum likelihood estimation )，极大后验概率估计(Maximum a posteriori estimation)，先验概率(Prior probability)，后验概率(Posteriori probability)等。所以后面我就本着先学会用，再谈概念的路线来进行。1. 朴素
原创
2022-01-02 14:21:42
1479阅读
在看贝叶斯算法的相关内容时，你一定被突如其来的数学概念搞得头昏脑涨。比如极大似然估计(Maximum likelihood estimation )，极大后验概率估计(Maximum a posteriori estimation)，先验概率(Prior probability)，
原创
2022-04-20 16:20:34
638阅读
乘法法则： P(a,b)=P(a|b)P(b) 也许很容易记忆：它源于这样的事实，即要使a 和b 同时为真，我们需要b为真，而且我们需要在已知b的条件下 a 也为真。 我们也可以调换 a和 b 的位置得到： P(a,b)=P(b|a)P(a) 乘法原则，根据合取式的可交换性指出它可以写成两种形式：
转载
2017-11-14 08:51:00
369阅读
2评论
朴素贝叶斯（naïve Bayes）法是基于贝叶斯定理与特征条件独立假设的分类方法[1]。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯法实现简单，学习与预测的效率都很高，是一种常用的方法。4.2 朴素贝叶斯法的参数估计4.2.1 极大似然估计在朴素贝叶斯法中，学习意味着估计P(Y＝ck
转载
2023-06-12 11:17:43
224阅读
零、前言：模型估计问题的总结模型分为确知模型与概率模型。确知模型的输出是一个确定的值，如：买x斤苹果，每斤苹果2元，总价值为y=2x；而概率模型输出的是自变量的概率，如：一个不均匀的四面体骰子，出现对应点数的概率和点数的大小相关，P(x)=y=0.1x。我们这里主要讨论概率模型在这里首先规定符号：假设是iid的一组抽样，并记作模型是对数据的描述，用一些参数和变量及它们的数学关系刻画，记作，其中X代
转载
2024-01-30 22:53:13
95阅读
#coding:utf-8
from numpy import *
#加载文档词向量数据以及相应文档类别，0表示正常言论，1表示侮辱性文字
def loadDataSet():
postingList = [['my','dog','has','flea','problems','help','please'],
['maybe','not','tak
转载
2023-08-28 14:04:17
128阅读
1. 贝叶斯网络 贝叶斯网络(Bayesian network)，又称信念网络(Belief Network)，或有向无环图模型。它用网络结构代表领域的基本因果知识。 贝叶斯网络中的节点表示命题（或随机变量），认为有依赖关系（或非条件独立）的命题用箭头来连接。 令G = (I,E)表示一个有向无环图(DAG)，其中I代表图形中所有的节点的集合，而E代表有向连接线段的集合，且令X = (Xi)，
转载
2023-11-16 19:42:29
504阅读
刚看到一篇文章写到：编程语言流行指数(PYPL)排行榜近日公布了2019年2月份榜单。 在最新一期榜单上，Python的份额高达26.42％，稳居第一，并且猛增5.2%，同时成为增长势头最好的语言。而被挤到第二的Java，目前份额为21.2％，同比下跌1.3个百分点 。 很开心在循循渐进的道路上学习python,加油！ 今天主要分享的是贝叶斯算法。此算法假设特征之间相关独立，因此其分类器的效率非常
转载
2023-09-17 00:28:18
165阅读
一、贝叶斯公式朴素贝叶斯思想：对于待分类的项，求解在此项出现的条件下其他各个类别出现的概率，哪个最大，就认为此项属于哪个类别定义贝叶斯定理是关于随机事件 A 和 B 的条件概率： 其中P(A|B)是在 B 发生的情况下 A 发生的可能性。在贝叶斯定理中，每个名词都有约定俗成的名称：P(A)是 A 的先验概率，之所以称为“先验”是因为它不考虑任何 B 方面的因素。
P(A|B)是已知 B 发生后 A
转载
2023-12-14 10:36:00
59阅读
一、朴素贝叶斯算法朴素贝叶斯(Native Bayes)算法是基于贝叶斯定理和特征条件独立假设的分类算法。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。贝叶斯定理其实就是一个非常简单的公式，如下所示：那么，在应用于分类算法中，可以将上述的公式转换成下面的表达式,也就是说知道了某一个数据的特征，它属
转载
2023-10-18 23:31:58
64阅读
文章目录第一章、贝叶斯滤波与平滑1. 应用2. 起源3. 基于最优滤波与平滑的贝叶斯推理4. 贝叶斯滤波与平滑5. 参数估计6. 习题第二章、贝叶斯推理1. 基本原理2. 贝叶斯推理与极大似然估计3. 基础构成4. 贝叶斯点估计5. 数值方法第三章、批处理与递归1. 批处理线性回归2. 递归线性回归3. 批处理与递归总结4. 含有漂移的线性回归5. 含有漂移的状态空间模型 本文涉及的代码见：
转载
2024-01-29 12:22:04
37阅读
贝叶斯
转载
2021-08-11 11:25:55
541阅读
一、贝叶斯0. 前言这是一篇关于贝叶斯方法的科普文，我会尽量少用公式，多用平白的语言叙述，多举实际例子。源于他生
转载
2023-07-04 23:05:42
151阅读
一 综述 由于逻辑回归和朴素贝叶斯分类器都采用了极大似然法进行参数估计，所以它们会被经常用来对比。(另一对经常做对比的是逻辑回归和SVM，因为它们都是通过建立一个超平面来实现分类的)本文主要介绍这两种分类器的相同点和不同点。二.两者的不同点1.两者比较明显的不同之处在于，逻辑回归属于判别式模型，而朴素贝叶斯属于生成式模型。具体来说，两者的目标虽然都是最大化后验概率，但是逻辑回归是直接对后验概率P
转载
2024-06-14 10:10:29
194阅读
参考博客：https://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_one.html
贝叶斯的介绍
贝叶斯本质就一个条件概率公式P(A|B)，也就是在B事件发生的情况下，A事件发生的概率。贝叶斯推断是一种统计学方法，用来估量统计量的某种性质。英国数学家托马斯·贝叶斯（Thomas Bayes）在1763年发表的一篇论文中，首先提
转载
2023-08-26 16:45:31
173阅读
点赞
给大家带来的一篇关于Python相关的电子书资源，介绍了关于Python、贝叶斯分析方面的内容，本书是由人民邮电出版社出版，格式为PDF，资源大小13.3 MB，Osvaldo Martin(奥斯瓦尔多编写，目前豆瓣、亚马逊、当当、京东等电子书综合评分为：8.8。内容介绍这书详细介绍了贝叶斯统计中的关键定义，及其将其运用于数据分析的方式 。这书选用编写程序测算的好用方式介绍了贝叶斯模型的基本，应用
转载
2024-05-08 20:11:02
64阅读
