朴素贝叶斯与贝叶斯网络
朴素贝叶斯与贝叶斯网络
标签(空格分隔): 机器学习
朴素贝叶斯
朴素贝叶斯朴素在哪里呢? —— 两个假设
- 一个特征出现的概率与其他特征(条件)独立;
每个特征同等重要。
朴素贝叶斯分类器
\(P(c|x) = \frac{P(c)P(x|c)}{P(x)} = \frac{P(x)}{P(x)}\Pi_{i=1}^{d}P(x_{i}|c)\)
1)计算先验概率及条件概率;
2)对于给定的实例,用贝叶斯公式计算后验概率。
在计算类条件概率时,如果不加平滑因子,则是利用极大似然估计;
如果加上平滑因子,就是拉普拉斯平滑。一个贝叶斯决策的例子
现在有两个袋子,袋子X中装有2颗红球和2颗黑球,还有1美元;袋子Y中装有1颗红球和2颗黑球。在选择袋子之前,可以从任意一个袋子中选择一个小球,如果摸出来的是红球,应该选哪个袋子?如果摸出来的是黑球。又应该选择哪个袋子?
- 用R表示红球,用B表示黑球。
- 选择每个袋子的概率:\(P(X) = \frac{1}{2}, P(Y) = \frac{1}{2}\);
- 选择了袋子X的条件下摸到红球的概率:\(P(R|X) = \frac{1}{2}\),摸到黑球的概率:\(P(B|X) = \frac{1}{2}\);
- 选择了袋子Y的条件下摸到红球的概率:\(P(R|Y) = \frac{1}{3}\),摸到黑球的概率:\(P(B|Y) = \frac{2}{3}\);
- 由全概率公式:摸到红球的概率\(P(R) = P(R|X)P(X) + P(R|Y)P(Y) = \frac{5}{12}\); 摸到黑球的概率为\(P(B) = P(B|X)P(X) + P(B|Y)P(Y) = \frac{7}{12}\);
- 由贝叶斯公式:
- 摸到红球时,是袋子X的概率为:\(P(X|R) = \frac{P(R|X)P(X)}{P(R)} = \frac{3}{5}\);
- 摸到红球时,是袋子Y的概率为:\(P(Y|R) = \frac{P(R|Y)P(Y)}{P(R)} = \frac{2}{5}\);
- 摸到黑球时,是袋子X的概率为:\(P(X|B) = \frac{P(B|X)P(X)}{P(B)} = \frac{3}{7}\);
- 摸到黑球时,是袋子Y的概率为:\(P(Y|B) = \frac{P(B|Y)P(Y)}{P(B)} = \frac{4}{7}\).
所以摸到的球是红色时,选择这个袋子;摸到的球是黑色时,选择另外一个袋子。
图模型
根据是否是有向图,可以分为有向图模型和无向图模型。
有向图模型(又称为贝叶斯网络):包含隐马尔科夫模型,马尔科夫随机过程;
无向图模型(又称为马尔科夫网络):条件随机场等
贝叶斯网络
朴素贝叶斯可以看做是贝叶斯网络的特殊情况:即该网络中无边,各个节点都是独立的。
那么,当朴素贝叶斯中的强假设:独立同分布不成立时,应该如何解决呢?可以使用贝叶斯网络。
贝叶斯网络借助有向无环图来刻画属性之间的依赖关系,并使用条件概率表来描述属性的联合概率分布。
贝叶斯网络的学习主要包括3部分:贝叶斯网络\(B\)由结构\(G\)和参数\(\theta\)构成,即\(B = <G, \theta>\)
- 结构,即创建贝叶斯模型;建模型通过领域知识和数据本身得出。
- 学习,即估计模型中的参数;
- 推断,即作出最后的决策。
转载于:https://www.cnblogs.com/little-YTMM/p/5668183.html
朴素贝叶斯与贝叶斯网络相关推荐
- 贝叶斯系列——贝叶斯定理、贝叶斯决策、朴素贝叶斯、贝叶斯网络、贝叶斯滤波器
写一个贝叶斯系列,整理一下贝叶斯定理.贝叶斯决策.朴素贝叶斯.贝叶斯网络.贝叶斯滤波器 众所周知,概率分为两个学派,频率学派(大数定理)和贝叶斯学派(贝叶斯公式),我们不去判断哪个学派说的更对,但是在 ...
- 从朴素贝叶斯分类器到贝叶斯网络(下)
从朴素贝叶斯分类器到贝叶斯网络(下) 2016年01月04日 00:49:20 阅读数:11673 书接上文 :从朴素贝叶斯分类器到贝叶斯网络(上) 三.贝叶斯网络 贝叶斯网络(Bayesian Ne ...
- 机器学习题库整理 通俗理解贝叶斯方法和贝叶斯网络
1 贝叶斯方法长久以来,人们对一件事情发生或不发生的概率,只有固定的0和1,即要么发生,要么不发生,从来不会去考虑某件事情发生的概率有多大,不发生的概率又是多大.而且概率虽然未知,但最起码是一个确定的 ...
- 贝叶斯方法和贝叶斯网络
从贝叶斯方法谈到贝叶斯网络 0 引言 看到July的这篇文章,觉得写得很好,所以转载过来,留着慢慢看.原地址:https://blog.csdn.net/v_july_v/article/detail ...
- 贝叶斯推断 | 贝叶斯线性回归
入门好文: 贝叶斯推断 贝叶斯推断及其互联网应用(一):定理简介 作为一个非统计专业的人,着实是被贝叶斯思想折磨了很久,常见的公式都能倒背如流,但依旧无法理解其精神内核. 近日,有高人指点,自己再查了 ...
- 吉布斯采样和梅特罗波利斯-黑斯廷斯算法
吉布斯采样 吉布斯采样(英语:Gibbs sampling)是统计学中用于马尔科夫蒙特卡洛(MCMC)的一种算法,用于在难以直接采样时从某一多变量概率分布中近似抽取样本序列.该序列可用于近似联合分布. ...
- 机器学习之 朴素贝叶斯、贝叶斯网络
目录 贝叶斯定理 朴素贝叶斯算法 高斯朴素贝叶斯 伯努利朴素贝叶斯 多项式朴素贝叶斯 贝叶斯网络 最简单的贝叶斯网络 全连接贝叶斯网络 一般化的贝叶斯网络 引子 参赛者会看见三扇关闭了的门,其中一扇的 ...
- 伊恩斯普里格斯3D肖像的秘密
Ian Spriggs将细节注意到了Next 级别.在他最近的作品的幕后,看看大师如何通过构图和细节讲述故事. 伊恩斯普里格斯的3D人物肖像不仅穿越了不可思议的山谷,他们大胆地跳过了另一边而欢欣鼓舞. ...
- 朴素贝叶斯、贝叶斯网络分类器
目录 贝叶斯定理 贝叶斯分类 朴素贝叶斯分类器 ...
最新文章
- 快过年了,博客园里的文章也变少了
- PPTPD服务端搭建
- Android--百度地图密钥申请+环境配置(一)
- 王者归来:分布式调度解决方案 ElasticJob 重启!
- python基础教程第三版豆瓣-1024,程序媛/猿请查收!
- 微信小程序,小游戏sockect报错修复集合
- java 字符串优化_Java字符串优化
- (转)《2017中国人工智能创新公司50强》榜单
- 糖豆广场舞完成C轮融资,腾讯、顺为、GGV、IDG投资...
- oracle 11g RAC 修改scan port 一例
- alter table添加表约束
- adb通过局域网连接手机
- 证件照片是红底,还是蓝底?这其中有什么讲究?
- 【报告分享】2021母婴行业白皮书-巨量引擎(附下载)
- python中e怎么计算_Python之循环结构——实战计算自然底数e,圆周率Π
- log4j和slf4j的区别
- 中科院 2014年工程硕士入学专业课笔试考场安排
- CloudSim Plus任务调度策略对比
- 手风琴几排簧好_手风琴三排簧和四排簧的区别
- 改纸盒大小_如何DIY纸盒人图解教程(含各细节详细尺寸)
热门文章
- 手把手教Jsp上传文件(FileUpload+Servlet)
- 报名开始!第二届中国移动“梧桐杯”大数据应用创新大赛邀你夺52w大奖!
- YolactEdge:首个开源边缘设备上的实时实例分割(Jetson AGX Xavier: 30 FPS)
- ECCV 2020 论文大盘点—显著目标检测篇
- 用婴儿拍的视频训练自监督模型,学到了高级视觉表征
- 近期两篇双目图像超分辨算法论文解读 |AAAI2020 SPL2020
- 重磅!MobileNetV3 来了!
- 【TensorFlow】TensorFlow从浅入深系列之十 -- 教你认识卷积神经网络的基本网路结构及其与全连接神经网络的差异
- ImageNet又被Long-Short Transformer 霸榜!
- 内卷到逆天!机器学习领域不读PhD,我配不配找工作?