听过朴素贝叶斯的人，知道多项式朴素贝叶斯是神马，伯努利贝叶斯是神马吗？如果不知道，请继续读下去。 其实所谓的“多项式”或“伯努利”，只不过是在求先验概率和条件概率时统计方法不一样，基本原理没变。 贝叶斯分类算法（Nai
因为目前来看，最常用的贝叶斯优化方法是基于高斯过程的，所以本篇blog主要记录基于高斯过程的贝叶斯优化方法的使用(不讲理论，不讲理论~)一、贴两个比较关键的基于高斯过程的贝叶斯优化包:我个人更加推荐第一个，实现和修改起来更加的方便。二、关于贝叶斯优化方法，注意最大的一个特点就是对参数的优化，其实它也可以理解为一个搜索问题。所以注意BayesianOptimization的包中的block_xxx&
转载
2023-12-12 12:11:11
264阅读
贝叶斯机器学习你知道贝叶斯法则。机器学习与它有何相关？它可能很难掌握如何把拼图块放在一起——我们了解它花了一段时间。贝叶斯和频率论者在本质上，贝叶斯意味着概率。这个具体的术语存在是因为有两个概率方法。贝叶斯认为这是一个衡量的信念，因此，概率是主观的，并且指向未来。频率论者有不同看法：他们用概率...
转载
2016-06-04 15:58:00
134阅读
2评论
贝叶斯推断及其互联网应用（一）：定理简介 这个时候，我正在翻译Paul Graham的《黑客与画家》。 那本书的第八章，写了一个非常具体的技术问题----如何使用贝叶斯推断过滤垃圾邮件（英文版）。 我没完全看懂那一章。当时是硬着头皮，按照字面意思把它译出来的。虽然译文质量还可以，但是心里很不舒服，下决心一定要搞懂它。 一年过去了，我读了一些概率论文献，逐渐发现贝叶斯推断并不难。原理的部分相当容易
参考： 代码段需完善假设这里要被分类的类别有两类，类c1和类c2，那么我们需要计算概率p(c1|x,y)和p(c2|x,y)的大小并进行比较：如果：p(c1|x,y)>p(c2|x,y),则(x,y)属于类c1p(c1|x,y)<p(c2|x,y),则(x,y)属于类c2我们知道p(x,y|c)的条件概率所表示的含义为：已知类别c1条件下，取到点(x，y)的概率；那么p(c1|x,y)
转载
2023-11-29 10:14:59
77阅读
你是一名经验丰富的程序员，但是bug仍然暗藏在你的代码中。实现一个极其困难的算法后，你决定在一个简单的例子上测试自己的代码。过了。然后在一个稍稍困难的问题上进行测试，还是过了。接着这样下去，更加复杂的问题，都过了！你开始相信自己的代码莫有问题了～如果你这样子进行思考，那么祝贺你，你是在如贝叶斯主义者那样进行思考！贝叶斯推断只是简单地在考虑了新的证据后，更新你的信念。贝叶斯主义者很少对于一个结果很
转载
2024-05-20 12:02:36
24阅读
看到一篇既有理论又有实例的博文，清晰易懂地讲解了朴素贝叶斯，将实例转载过来，作为备忘。 下面讨论一个使用朴素贝叶斯分类解决实际问题的例子，为了简单起见，对例子中的数据做了适当的简化。 这个问题是这样的，对于SNS社区来说，不真实账号（使用虚假身份或用户的小号）是一个普遍存在的问题，作为SNS社区的运营商，希望可以检测出这些不真实账号，从而在一些运营分析报告中避免这些账号的干扰，亦可以加强对SNS
转载
2024-01-25 22:08:27
70阅读
朴素贝叶斯常见面试题1、 朴素贝叶斯与LR的区别？朴素贝叶斯是生成模型，根据已有样本进行贝叶斯估计学习出先验概率P(Y)和条件概率P(X|Y)，进而求出联合分布概率P(XY),最后利用贝叶斯定理求解P(Y|X)，而LR是判别模型，根据极大化对数似然函数直接求出条件概率P(Y|X)；朴素贝叶斯是基于很强的条件独立假设（在已知分类Y的条件下，各个特征变量取值是相互独立的），而LR则对此没有要求；朴素贝
转载
2024-01-15 09:48:55
239阅读
最近的热播剧《天才基本法》中，提到了很多有趣的数学知识点，比如“亲和数”“巴什博奕”“孔明棋”“七桥问题”等等，让很多观众直呼不明觉厉。其中，最让Mr.Tech感兴趣的是剧中男女主参加数学建模大赛时用到的贝叶斯网络。▲女主使用贝叶斯网络进行算法建模，来预测嫌犯行动轨迹和抓捕时间方位。图片截图自电视剧《天才基本法》贝叶斯网络是一种分类算法，被广泛地应用于医疗诊断、风控等业务场景中，并发挥着重要作用。
转载
2023-10-28 10:24:03
13阅读
1、基本概念（原文地址）在机器学习中，朴素贝叶斯是一个分类模型，输出的预测值是离散值。在讲该模型之前首先有必要先了解贝叶斯定理，以该定理为基础的统计学派在统计学领域占据重要的地位，它是从观察者的角度出发，观察者所掌握的信息量左右了观察者对事件的认知。贝叶斯公式如下：其中，P(B∣A) 是事件 B 在另一个事件 A已经发生条件下的概率,∑AP(B∣A)P(A) 表示A所有可能情况下的概率，现在要来求
转载
2024-01-21 01:03:19
100阅读
目录贝叶斯决策贝叶斯决策理论贝叶斯公式从条件概率公式推导贝叶斯公式从全概率公式推导贝叶斯公式贝叶斯公式应用贝叶斯决策贝叶斯决策理论 贝叶斯决策理论：在不完全情报下，对部分未知的状态用主观概率估计。贝叶斯公式从条件概率公式推导贝叶斯公式若果\(A\)和\(B\)相互独立，则有\(p(A,B) = p(A)p(B)\)，并有条件概率公式\[p(A|B) = {\frac{p(A,B)}{p(B)}}
转载
2024-01-16 14:32:06
30阅读
朴素贝叶斯分类实例：检测SNS社区中不真实账号 下面讨论一个使用朴素贝叶斯分类解决实际问题的例子，为了简单起见，对例子中的数据做了适当的简化。 这个问题是这样的，对于SNS社区来说，不真实账号（使用虚假身份或用户的小号）是一个普遍存在的问题，作为SNS社区的运营商，希望可以检测出这些不真实账号，从而
原创
2021-07-23 17:01:31
222阅读
# 贝叶斯方法在机器学习中的应用
贝叶斯方法是一种基于贝叶斯定理的统计方法，广泛用于机器学习中的分类任务。对于刚入行的小白来说，了解贝叶斯方法的基本流程，以及如何在 Python 中实现它是非常重要的。接下来，我将向你解释整个流程，并通过示例代码让你了解每一步的实现。
## 流程概述
下面是实现贝叶斯方法的基本流程：
| 步骤 | 描述 |
玩转聊天记录之预测某句话是谁说的上一篇介绍了如何导出微信聊天记录到制作词云的全过程，刚好最近学了朴素贝叶斯的词袋模型，于是，突发奇想，能否用朴素贝叶斯建模来预测：当输入一句话时，判断是我说的还是女票说的。1. 准备工作我和女票的聊天记录Python环境：pandas、jieba、numpy2. python代码实现首先说明一下，这里的朴素贝叶斯是自己实现的，灵活性比较高但是不如调包来的方便。#导入
# 贝叶斯网络与机器学习：探索概率推断的世界
贝叶斯网络（Bayesian Network）是用于处理具有不确定性的复杂问题的一种图形模型。它将变量及其相互关系通过有向无环图（DAG）表示，是机器学习和人工智能领域中重要的工具之一。本文将介绍贝叶斯网络的基本概念、工作原理及其在机器学习中的应用，最后通过示例代码来说明其具体实现。
## 贝叶斯网络的基本概念
贝叶斯网络由节点和边组成。节点表示
一、贝叶斯公式概率:二、朴树贝叶斯分类原理基本
原创
2018-06-02 21:23:00
160阅读
一、前述当多个特征属性之间存在着某种相关关系的时候，使用朴素贝叶斯算法就没法解决
原创
2022-12-30 16:48:19
220阅读
贝叶斯 描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照乘法法则，可以立刻导出：P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)。如上公式也可变形为：P(A|B)=P(B|A)*P(A)/P(B)。 你不能准确知悉一个事物的本质时，你可以依靠与事物特定本质相关的 ...
转载
2021-10-12 11:32:00
99阅读
2评论
我想说：“任何事件都是条件概率。”为什么呢？因为我认为，任何事件的发生都不是完全偶然的，它都会以其他事件的发生为基础。换句话说，条件概率就是在其他事件发生的基础上，某事件发生的概率。条件概率是朴素贝叶斯模型的基础。假设，你的xx公司正在面临着用户流失的压力。虽然，你能计算用户整体流失的概率（流失用户数/用户总数）。但这个数字并没有多大意义，因为资源是有限的，利用这个数字你只能撒胡椒面似的把钱撒在所
原创
2024-01-16 15:42:22
107阅读
# 机器学习与贝叶斯决策
机器学习 (Machine Learning) 是人工智能的一个分支，它使计算机能够从数据中学习、做出决策并不断改进。贝叶斯决策 (Bayesian Decision) 是机器学习中重要的一种决策理论，它基于贝叶斯定理，通过结合先验知识与观测数据来进行推断和决策。
## 贝叶斯理论基础
贝叶斯定理是概率论的一个重要公式，描述了在已知某个事件发生的条件下，另一个事件发
