贝叶斯

从贝叶斯定理到朴素贝叶斯、半朴素模型和贝叶斯网络。

本专题条目

7 篇文章与资料

01 01. 贝叶斯定理条件概率 概率 （probability）是从随机试验中的事件到实数域的映射函数，用于表示事件发生的可能性，事件 发生的概率通常记为 。 如果 和 是样本空间 上的两个事件，且 ， … Notebook 02 02. 朴素贝叶斯分类器贝叶斯分类器 在前面的例子中，我们可以把所有的样本以表格的形式列出来： 箱子 球的类别 A 好 A 坏 A 好 A 好 A 好 B 好 B 坏 B 坏 每一个样本都由两部分组成：特征和类别。可以看出这里只有一个特征（箱子 … Notebook 03 03. 贝叶斯分类实例实例一、预测性别 在日常生活中，我们往往可以根据一个人的名字判断这个人是男是女，比如李大志，这个名字一听就是男性，因为大和志在男性的名字中用的比较多。通过贝叶斯定理，我们可以求得： 其中， 可以不用计算， 和 一般来说差 … Notebook 04 04. 半朴素贝叶斯分类器我们回顾一下朴素贝叶斯分类器，它的表达式如下： 可以看出在使用贝叶斯公式计算后验概率 时，类条件概率 很难计算，它是所有属性上的联合概率，难以从有限的训练样本直接估计出来。所以，朴素贝叶斯分类器采用了一个很简单的假设：属 … Notebook 05 05. 贝叶斯网在半朴素贝叶斯分类器中，我们对每一个属性的依赖做了约束，使其只依赖于另一个（ODE）或另几个属性（kDE），这使得属性之间的依赖关系呈树状或网状，不过这里的约束比较刻意，每个属性依赖的属性个数是相等的，在现实生活中，属性 … Notebook · x. 概率图模型概率图模型分类 概率图模型（Probabilistic Graphical Model，PGM） 贝叶斯网络（Bayesian Network，有向图模型） 隐马尔可夫模型（Hidden Markov … Notebook · x. 隐变量和 EM 算法在现实应用中，我们经常会遇到一些不完整的训练样本，某些属性可能会由于某种原因无法观测，比如在西瓜数据中，如果某个西瓜根蒂已脱落，无法看出它是蜷缩的，还是硬挺的，这种无法观测的属性变量叫做 隐变量 （latent … Notebook