贝叶斯决策理论

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 556平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄11年

关注

转载最新推荐文章于 2025-06-27 12:24:11 发布 556 阅读 AI 写同款· GEO 优化 ›

贝叶斯决策论(一)：贝叶斯决策理论 贝叶斯决策论是利用概率的不同分类决策与相应的决策代价之间的平衡，核心思想是决策问题可以通过概率的形式来描述。 1 Notation 了解贝叶斯决策论之前先学习有关的符号：假定x是一个连续随机变量，其分布取决于类别状态，表示为 ... 阅读详情

读西瓜书第7章贝叶斯分类器，对贝叶斯决策论寥寥数语，看的是云里雾里，网上搜到一篇良心博文，深入浅出，图文并茂，遂转载一波链接。

https://blog.youkuaiyun.com/songzitea/article/details/23131609

收录于

机器学习

当前文章被收录于：

机器学习

3 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#贝叶斯

统计决策——贝叶斯决策（简单易懂的个人总结）基础的统计决策方法，为将来学习基于贝叶斯的模型打好基础阅读详情

相关推荐

【模式识别】贝叶斯决策模型理论总结

概率与我们的生存、生活是密不可分的，在我们的生活中要想使我们的期望效用最大化，我们必须考虑各种客观条件的存在，用理性的科学的思维去判断问题、分析问题，最终做出正确的决策。在做最小最大贝叶斯决策时，若考虑P(w_i)有可能改变或对先验概率毫不知晓的情况下，应选择贝叶斯风险R为最大值时的P(w_i)来设计分类器，此时能保证其风险相对于其它的P(w_i)为最大，而能保证在不管P(w_i)如何变化，使最大最小风险为最小。通常，事件A在事件B(发生)的条件下的概率，与事件B在事件A的条件下的概率是不一样的；

Luo_LA的博客 3706

贝叶斯决策方法

贝叶斯决策论为机器学习的一种重要方法贝叶斯决策：根据各种事件发生的先验概率进行决策一般具有较大的风险。减少这种风险的办法是通过科学实验、调查、统计分析等方法获得较为准确的情报信息，以修正先验概率。利用贝叶斯定理求得后验概率，据以进行决策的方法，称为贝叶斯决策方法。

贝叶斯决策(Bayesian Decision Theory)

贝叶斯决策学习了一个学期的模式识别课程，老师讲的很好，深入浅出，无奈我脑子不够用没有理解到其中精髓，现在整理了一下听课笔记，以备以后需要时翻阅。这篇文章记录的是贝叶斯决策，其中包括最大后验、最大似然和贝叶斯决策的直观理解和数学理论。关于先验和后验关于什么是先验概率和后验概率，余生最年轻在他的博客里解释的很好。先验(Priori )概率直观上理解，所谓“先”，就是在事情之前，即在事情发生之前...

一直大萝北的萝北坑 8010

贝叶斯决策

贝叶斯决策简介 贝叶斯决策是基于所有相关概率已知情况下，结合误判损失来选择最优的类别标记的一种决策方法。假设有N种可能的标记，λijλij\lambda_{ij}是将一个真实标记为cicic_i的样本误判为类别cjcjc_j所产生的损失。条件风险：R(ci|x)=∑j=1NλijP(cj∣∣x)R(ci|x)=∑j=1NλijP(cj|x)R\left ( c_{i} \right |x...

西檬饭 3226

贝叶斯分析与决策理论

贝叶斯决策理论（Bayesian decision theory）是主观贝叶斯派归纳理论的重要组成部分，它强调在不完全情报下，通过主观概率估计和贝叶斯公式对发生概率进行修正，进而利用期望值和修正后的概率做出最优决策。这一理论的核心思想在于，利用先验知识和观测数据，通过贝叶斯公式计算后验概率，并依据后验概率进行决策分类。

Chujun123528的博客 1994

朴素贝叶斯决策理论

引言虽然本科学过概率论，但是也就会用点公式，知道点皮毛，知其然却不知其所以然，最近看了大佬的博客，有些心得，在此记录一下。个人理解，概率即是可能性，实际问题中好多问题因其复杂性不容易对其进行精确的度量，因此往往采用求概率的形式来进行估计判断，如天气预报。 贝叶斯决策理论如上图，我们现在用p1(x,y)表示数据点(x,y)属于类别1(图中红色圆点表示的类别)的概率，用p2(x,y)表示数据点(x,y)属于类别2(图中蓝色三角形表示的类别)的概率，那么对于一个新数据点(x,y)，可以用下面

qq_42338771的博客 8512

基于贝叶斯决策理论的分类器

1.引言模式识别是根据对象特征值将其分类。d个特征组成特征向量x=[x1,···,xd]T，生成d维特征空间，在特征空间一个x称为一个模式样本。 Bayes决策理论是用概率统计方法研究决策问题。 (1)样本的不确定性：样本从总体中抽取，特征值都是随机变量，在相同条件下重复观测取值不同,故x为随机向量。特征选择的不完善引起的不确定性；测量中有随机噪声存在。

沈春旭的博客 5097

从鱼类到分类器：贝叶斯决策理论和朴素贝叶斯实用指南

贝叶斯分类器是机器学习中简单但强大的算法，不依赖深度神经网络或大数据。本文通过鱼类分类示例解释了贝叶斯决策理论的核心概念：先验概率、类别条件分布和后验概率。当给定特征时，后验概率计算公式为$p(\omega_j|x)=\frac{p(x|\omega_j)p(\omega_j)}{p(x)}$，决策规则选择后验概率最高的类别。文章还介绍了高斯混合模型（GMMs）的参数估计和EM算法，并通过Python代码展示了朴素贝叶斯分类器的应用，包括经典的高尔夫预测案例。这些方法在特征向量和多类别场景中同样适用。

Morpheon的博客 1334

理论U2 贝叶斯决策理论

ning_xiao_xuan的博客 1401

模式识别—基于贝叶斯决策理论的分类器

文章目录理解基础概念理解从我们生活实际中出发，判断这枚硬币是多少钱。在一角、五角两个类中，我们认为它是五角的概率大，所以我们判断为五角。在数学上此概率可以由Bayes公式计算得出： P(wi∣x)=P(x∣wi)P(wi)∑j=0n P(x∣wj)P(wj)P(w_i|x)=\cfrac{P(x|w_i)P(w_i)}{\displaystyle\sum_{j=0}^n\ P(x|w_j)P(w_j)}P(wi∣x)=j=0∑n P(x∣wj)P(wj)P(x∣wi

weixin_44697718的博客 1538

贝叶斯(Bayes)决策理论

在博文【模式识别PR和模式的概念】介绍了相关的模式识别与模式的概念。在本节描述所要讨论的问题之前，再提一下对于待识别的物理对象的描述问题。假设一个待识别的物理对象用其d个属性观察值描述，称之为d个特征，这组成一个d维的特征向量，而这d维待征所有可能的取值范围则组成了一个d维的特征空间。一般地,机器实现自动分类有两大类方法：一种是模板匹配方法，另一种是对特征空间划分为子空间(每类的势力范围)的方法。

松子茶的专栏 3万+

贝叶斯决策与其他决策理论的比较

1.背景介绍 贝叶斯决策理论是一种基于概率的决策理论，它的核心思想是将不确定性表示为概率，并基于贝叶斯定理进行决策。这种方法在机器学习、数据挖掘、人工智能等领域具有广泛的应用。在本文中，我们将对比贝叶斯决策与其他决策理论，包括经典决策理论、最大后验概率决策(MVPD)、最小惩罚决策(MPD)等。通过对比，我们将深入了解贝叶斯决策的优缺点，并探讨其在不同场景下的应用前景。 2.核心概念与联系 ...

AI天才研究院 945

贝叶斯决策理论的深入探讨

本文深入探讨了贝叶斯决策理论的基础概念及其应用，包括概率误差、似然比以及贝叶斯风险的计算。通过具体的数学推导和案例分析，文章展示了如何通过给定的先验概率和条件概率密度函数来找到最优决策边界，并对极小极大策略和贝叶斯决策点进行了详细解释。文章还讨论了决策边界与先验概率的关系，以及如何在不同先验概率下求解最小化贝叶斯风险的问题。

weixin_35696112的博客 593

上一篇： Kmeans算法 python实现（改）

下一篇：最大后验估计和最大似然估计

【模式识别】贝叶斯决策模型理论总结

Luo_LA的博客

10-25

3706