（一）朴素贝叶斯学习（2）- binary feature

最新推荐文章于 2022-06-20 13:15:38 发布
最新推荐文章于 2022-06-20 13:15:38 发布
阅读量1.3k 收藏 1
点赞数
分类专栏： Machine Learning 文章标签： machine learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/MyProgramingLife/article/details/41685737
版权
本文介绍了朴素贝叶斯学习中的二值特征处理，包括最大似然估计、数值溢出问题的解决、特征选择以及最大后验概率（MAP）估计。在MAP估计中，通过贝叶斯公式结合先验知识改进估计结果，并以美国总统选举的统计为例进行解释。此外，讨论了在非二值特征和多类问题中的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

（一）公式理解- 最大似然

假设各个数据 X1, X2, .... Xn 为iiD,  且其 PDF 为 , 

所以似然函数的定义为：

极大似然估计即 使得最大的那个

下面是似然的一些实例， 自己推导下，让思路后续更清晰（课用PPT, 后续可下载）







（二）公式理解-朴素贝叶斯


（三） 算法实现 


（四）c++ 代码实现

因为是二值的特征，因此实现起来比较容易， 主

最低0.47元/天 解锁文章
sklearn中的朴素贝叶斯
momokofly的博客
02-04 4748
15、AI工程日志：朴素贝叶斯之文本分类与TF-IDF加权【附核心代码】
最新发布
轻口味的专栏
03-22 873
朴素贝叶斯作为一种简单高效的文本分类算法，在垃圾邮件识别等自然语言处理任务中展现出了良好的性能和实用性。通过合理选择多项式模型或伯努利模型，并结合TF-IDF加权和停用词处理等预处理步骤，可以进一步提升模型的分类效果和泛化能力。然而，朴素贝叶斯也存在一些局限性。例如，其特征条件独立假设在实际中往往不成立，可能导致概率估计的不准确；对于文本数据中的词汇依赖关系和语义信息无法有效捕捉。
BRIEF Binary Robust Independent Elementary Features
11-28
这是图像特征提取的重要论文。关于描述子生成。还有FAST特征点以及ORB特征点提取的文章。
机器学习与数据挖掘--朴素贝叶斯
Time Will Tell
03-23 399
前期知识 先验概率与后验概率 由以往的数据分析得到的概率，叫做先验概率（经验） 在得到信息之后加以重新修正的概率叫做后验概率 后验概率属于条件概率的一种 朴素贝叶斯 朴素贝叶斯是贝叶斯分类里面最简单的一种 为什么叫朴素贝叶斯，朴素在哪里？ 假设所有的特征之间是统计独立的 朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设来学习输入输出的联合概率分...
DBoW2分析整理（理论部分）
坚果
04-16 1512
DBoW2分析整理（理论部分）1. 简介2. 二值特征（binary feature）3. 建立Vocabulary tree/图像数据的建立4. 利用Vocabulary tree计算图像相似度4.1 TF-IDF4.2 在线更新字典树4.3 计算图像的相似度5 闭环检测算法/数据库查询A. Database的访问6 参...
人脸特征点提取详解
妖米的博客
03-21 6401
前言 开先河之作，是1992年Cootes提出的ASM模型。ASM方法从局部的特征来检测点，对噪声很敏感。1998年Cootes提出改进都AAM，但对于初始化和appearance的改变很敏感。两者都使用了shape model（PCA），它的缺点是模型不够灵活，不能实现细微调整（如主成分维度不变）。 更多总结： 人脸关键点检测总结 CVPR2012上有一篇非常有名的特征点定位，提出了非参数的形状约束，使用了two level cascaded regression和shape indexed featur
LBF特征
zhou894509的专栏
01-20 8211
LBF(Local binary feature),基于局部二值特征的人脸特征点递给我，该算法的核心工作主要有两部分，总体上采用了随机森林和全局线性回归相结合的方法，相对于使用卷积神经的深度学习方法，LBF采用的算法是传统的机器学习方法。
python朴素贝叶斯调参_中文新闻分类，逻辑回归大战朴素贝叶斯
weixin_39979948的博客
12-13 1669
1 问题背景我们有一堆新闻文本数据，包含“新闻类别”、“新闻内容”两列，希望建立一个模型，来预测新闻内容属于哪个类别。这是一个文本分类问题，朴素贝叶斯和逻辑回归可以说是文本分类最常用的Baseline模型，今天小树带大家来看看，朴素贝叶斯和逻辑回归效果如何以及它们两个究竟谁更厉害。操作环境：jupyter notebook + python3预备知识：中文分词、tf-idf、朴素贝叶斯模型、逻辑回...
朴素贝叶斯的适用场景_朴素的贝叶斯
weixin_26750481的博客
09-16 6307
朴素贝叶斯的适用场景Before we begin with the Naive Bayes classifier and its algorithm, first let’s talk about Bayes’ theorem. 在开始朴素贝叶斯分类器及其算法之前，首先让我们谈一下贝叶斯定理 。 贝叶斯定理 (Bayes’ Theorem) Bayes’ Theorem gives us t...
立体匹配 -- GC-Net网络结构分析
weixin_41405284的博客
10-30 5875
参考 GC-Net pytorch版本 首先看代码要对应着网络结构图和网络层的表格。 一.Unary Features 特征提取 1.使用2-D卷积提取深度特征。首先使用fiter size:5*5,stride:2的conv2d 将输入降维(1/2H,1/2W). imgl0=F.relu(self.bn0(self.conv0(imgLeft))) imgr0=F.relu(self.bn0(self.conv0(imgRight))) self.conv0=nn.Conv2d(3,3.
GC-Net 笔记及探讨 --- unary特征以及级联的cost volume （更新中）
flow_specter的博客
03-23 2699
前言 之前读AANet，读patchmatch-net，读pam-net，读各种fancy的net的时候，总是会不停的往前追溯，总会追溯到GC-net，借鉴到GC-net的思想。因此，决定精读GC-Net，并做以下笔记。 论文结构 近几年总说的cost volume，其实就来源于这篇GC-Net。 在看网络结构之前，先看看看论文结构吧。 Introduction Related Work Learning End-to-end Disparity Regression 3.1 Unary Features
人脸对齐之LBF(Local Binary Features)
年轻即出发，
12-11 1万+
基于LBF方法的人脸对齐，出自Face Alignment at3000 FPS via Regressing Local Binary Features，由于该方法提取的是局部二值特征（LBF），所以特征提取这个过程速度非常快，导致整个的算法都速快相当快，论文作者的LBF fast达到了3000fps的速度，网上热心网友分享的程序也达到了近300fps的速度，绝对是人脸对齐方面速度最快的一种算法...
算法-二值贝叶斯滤波器概率更新
weixin_40826634的博客
03-02 1452
1. 应用场景 机器人学中有些问题是二值问题，对于这种二值问题的概率评估问题可以用二值贝叶斯滤波器binary Bayes filter来解决的。比如机器人前方有一个门，机器人想判断这个门是开是关。这个二值状态是固定的，并不会随着测量数据变量的改变而改变。就像门一样，不是开就是关。 2. 公式及推导 二值滤波器的目的是为了求状态xxx的概率，与其置信度是一致的，即置信度越高，概率也越高。置信度与概率的结果可能不一样，置信度可以大于1。 状态xxx可能同时会受到控制数据和测量数据的影响，但是如果状态是静态的，
OmniMVS拜读：End-to-End Learning for Omnidirectional Stereo Matching
今天写代码了吗
06-20 1098
多相机深度估计
【论文精读】ACVNet: Attention Concatenation Volume for Accurate and Efficient Stereo Matching
YuhsiHu的博客
04-01 5248
ACVNet论文精读
无监督特征学习——Unsupervised feature learning and deep learning
热门推荐
Rachel Zhang的专栏
07-31 8万+
无监督学习近年来很热，先后应用于computer vision, audio classification和 NLP等问题，通过机器进行无监督学习feature得到的结果，其accuracy大多明显优于其他方法进行training。本文将主要针对Andrew的unsupervised learning，结合他的视频：unsupervised feature learning by Andrew N
机器学习西瓜书（周志华）第七章 贝叶斯分类器
小蜗牛的博客
06-03 3812
第七章 贝叶斯分类器1. 贝叶斯决策论1.1 先验分布1.2 后验分布1.3 似然估计1.4 四大概率在贝叶斯分类中指代含义1. 朴素贝叶斯7. 课后练习参考答案 1. 贝叶斯决策论        贝叶斯决策论是概率框架下实施决策的基本方法。        对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯...
Face Alignment at 3000 FPS via Regressing Local Binary Features（CVPR2014）读后感（first pass）
周红伟讲AI
07-07 1309
 Face Alignment at 3000 FPS via Regressing Local Binary Features（CVPR2014）读后感（first pass） 分类： 人脸识别 2014-05-29 01:29 5637人阅读 评论(29) 收藏 举报 目录(?)[+] 摘要翻译介绍翻译整体思路 本文特点 这篇文章还是
论文阅读：CVPR2016 Paper list
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
python伯努利朴素贝叶斯
10-17
Python中的伯努利朴素贝叶斯是一种基于二元特征的朴素贝叶斯分类器。它假设所有特征都是二元的，即每个特征要么出现要么不出现。在伯努利朴素贝叶斯中，每个特征的权重都是相等的，因此该算法适用于文本分类等二元特征较多的场景。 在Python中，可以使用scikit-learn库中的BernoulliNB类来实现伯努利朴素贝叶斯分类器。具体使用方法可以参考以下代码： ```python from sklearn.naive_bayes import BernoulliNB from sklearn.feature_extraction.text import CountVectorizer # 构建训练数据和标签 train_data = ['I love Python', 'Python is a great language', 'Java is a popular language'] train_labels = ['positive', 'positive', 'negative'] # 将文本转换为特征向量 vectorizer = CountVectorizer(binary=True) train_vectors = vectorizer.fit_transform(train_data) # 训练伯努利朴素贝叶斯分类器 clf = BernoulliNB() clf.fit(train_vectors, train_labels) # 预测新数据的标签 test_data = ['I hate Java'] test_vectors = vectorizer.transform(test_data) predicted_labels = clf.predict(test_vectors) print(predicted_labels) # 输出['negative'] ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值