吃瓜笔记---第七章 贝叶斯分类器

deeplearningcc deeplearningcc 博客等级 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 200+累计阅读 209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4年
关注
原创 最新推荐文章于 2026-06-10 14:10:42 发布 209 阅读 AI 写同款· GEO 优化 ›
西瓜书读书笔记——第七章：贝叶斯分类器 第七章：贝叶斯分类器7.1 贝叶斯决策论条件风险7.2 极大似然估计 首先介绍一下贝叶斯公式： 实际上，分母为全概率公式，分子为联合概率。在机器学习中，更常见的形式为 P(B∣A)=P(A∣B)P(B)P(A)P(B|A)=\dfrac{P(A|B)P(B)}{P(A)}P(B∣A)=P(A)P(A∣B)P(B)​ 贝叶斯公式的作用在于将P(B|A)的估计转化为估计P(A|B)和P(B) 7.1... 阅读详情

注：忘记时间了，写的很乱，内容也不全，后续整理

 

 

 

 

 

 

标签
#机器学习
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。
《机器学习》周志华(西瓜书)学习笔记 第七章 贝叶斯分类器 《机器学习》周志华(西瓜书)学习笔记 总目录 第七章 贝叶斯分类器 1.贝叶斯决策论 假设有 N 种可能的类别标记，即 y={C1，C2，…，CN}y = \{C_1， C_2，… ， C_N\}y={C1​，C2​，…，CN​}λji\lambda_{ji}λji​ 是将一个真实标记为 CjC_jCj​ 的样本误分类为 CiC_iCi​ 所产生的损失. 基于后验概率 P(Ci∣x)P(C_i |... 阅读详情

相关推荐

《机器学习》第七章 贝叶斯分类器 总结

贝叶斯决策论

weixin_44249784的博客 1973

机器学习 复习笔记7 （第七章 贝叶斯分类器）

7.1 贝叶斯决策论（填空） 贝叶斯判定准则： 为最小化总体风险，只需在每个样本上选择哪个能使条件风险最小的类别标记，即 此时，被称为贝叶斯最优分类器，与之对应的总体风险称为贝叶斯风险。 先验概率： 类条件概率、“似然”： 后验概率： 7.2 极大似然估计 关于极大似然估计的概念我在之前的博客中有提到，在复习笔记3，3.4小结的上面，传送门：极大似然法 本篇博客结合一个更具体...

果菌药的博客 2140

周志华 《机器学习》之 第七章（贝叶斯分类器）概念总结

贝叶斯分类器是利用概率的知识完成数据的分类任务，在机器学习中使用贝叶斯决策论实施决策的基本方法也是在概率的框架下进行的，它是考虑如何基于这些概率和误判损失来选择最优的类别标记。 贝叶斯决策论 条件风险： 极大拟然估计 朴素贝叶斯分类器 半朴素贝叶斯分类器 贝叶斯网 EM算法

不系之舟的专栏-QQ讨论群331590339 3731

第七章：贝叶斯分类器

在“同父”(common parent)结构中,给定父结点a1的取值，则xg与a4条件独立.在“顺序”结构中,给定α的值,则y 与z条件独立.V型结构(V-structure)亦称“冲撞”结构,给定子结点x4的取值, x1与x2必不独立;贝叶斯网训练好之后就能用来回答“查询”(query)，即通过一些属性变量的观测值来推测其他属性变量的取值.例如在西瓜问题中,通过已知变量观测值来推测待查询变量的过程称为“推断”(inference)，已知变量观测值称为“证据”(evidence).

qq_63029071的博客 1307

读书笔记-《机器学习》第七章：贝叶斯分类器

第七章 贝叶斯分类器 将由结果推原因转化为由原因推结果 先验概率：是根据以往经验和分析得到的概率 后验概率：事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小，即由结果倒推原因 贝叶斯判定准则：为最小化总体风险，只需在每个样本上选择那个能使条件风险R(c|x)最小的类别标记 判别式模型：给定x，通过直接建模P(c|x)来预测c；决策树、BP神经网络、支持向量机等 生成式模...

L.Z.的博客 1908

[Unity Demo]从零开始制作空洞骑士Hollow Knight第四集:制作更多的敌人

大家好久不见，终于放完中秋假期可以回自己家里打代码了，上一期我介绍了为什么和如何导入2D toolkit以及制作一个完整的敌人（就是那只蚊子包括了精灵，动画，状态机行为以及脚本）现在不妨趁热打铁制作更多的敌人。

dangoxiba的博客 1974

机器学习第七章——贝叶斯分类器

假设有Ⅳ种可能的类别标记，即y= {C1,C2,...,cN}，入ij是将一个真实标记为cz的样本误分类为c所产生的损失.基于后验概率P(c | a)可获得将样本α分类为c所产生的期望损失(expected loss)，即在样本α 上的“条件风险”(conditional risk)(Bayes decision rule):为最小化总体风险,只需在每个样本上选择那个能使条件风险R(c | a)最小的类别标记,即。由于对所有类别来说P(a)相同,因此基于式(7.6)的贝叶斯判定准则有。

qq_67725022的博客 3369

不只是对齐：用 MFA 和 Praat 给你的语音数据集快速生成 TextGrid 标注文件

本文详细介绍了如何利用Montreal Forced Aligner（MFA）和Praat工具快速生成TextGrid标注文件，大幅提升语音数据标注效率。通过批量对齐、质量校验和跨语言处理等实战技巧，帮助研究者构建自动化标注流水线，适用于语音合成和语音识别等多种应用场景。

weixin_30675247的博客 378

西瓜书课后题——第七章（贝叶斯分类器）

课后题7.1：极大似然估计西瓜数据集3.0前3个属性的类条件概率。 其实就是概率论中常见的极大似然估计问题。 参见这篇博客：https://blog.youkuaiyun.com/icefire_tyh/article/details/52167273 课后题7.3：编程实现拉普拉斯修正的朴素贝叶斯分类器。 原理和公式书上均有详细的说明，这里直接给出代码： import numpy as np i...

qq_37691909的博客 6454

C#与工业设备的OPC DA/UA协议通信开发

摘要：本文介绍了C#与工业设备通信的两种OPC协议（OPC DA和OPC UA）的实现方法。OPC DA基于COM/DCOM技术，适用于Windows平台，提供实时数据采集功能；OPC UA则支持跨平台通信，具备更强的安全性和数据建模能力。文章详细展示了如何使用C#通过OPC DA和OPC UA协议读取、写入数据，并提供了代码示例，包括安装相关库、建立连接、订阅数据变化等关键步骤。这些方法为工业自动化中的设备监控与控制提供了实用解决方案。（149字）

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 1264

STM32F4实战：手把手教你实现USB OTG双模式切换（Host/Slave）

本文详细介绍了如何在STM32F4上实现USB OTG双模式切换（Host/Slave），包括硬件架构解析、软件实现机制、主机模式下的U盘读写以及从机模式下的自定义设备开发。通过实战案例和优化技巧，帮助开发者快速掌握USB双角色功能，提升嵌入式系统开发的灵活性和效率。

u9v0w的博客 730

机器学习 第七章 贝叶斯分类器

fill:#333;color:#333;color:#333;fill:none;贝叶斯定理决策理论参数估计朴素贝叶斯贝叶斯网络MLE与EM算法半朴素改进概率推理混合模型。

qq_51229257的博客 1240

【数据分享】12.5米分辨率DEM地形数据（分省）

该数据来源于NASA地球科学数据网站（https://nasadaacs.eos.nasa.gov/），是ALOS卫星获取的高精度地形数据。该数据由于精度高，包括全省范围的数据和省内每个城市范围的数据！

JData_Engineer的博客 2172

机器学习——第七章 贝叶斯分类器

对于贝叶斯网学习而言，模型就是一个贝叶斯网，同时，每个贝叶斯网描述了一个在训练数据上的概率分布，自有一套编码机制能使那些经常出现的样本有更短编码，所以我们应该选择那个综合编码长度最短的贝叶斯网，这就是“最小描述长度”准则。推断指的是通过已知变量观测值来推测待查询变量的过程，最理想的是直接根据贝叶斯网定义的联合概率分布来精确计算后验概率，但这是一个N P NPNP难问题，在现实应用中，贝叶斯网的近似推断常用吉布斯采样来完成，这是一种随机采样办法，如下所示。在“顺序”结构中，给定x的值，则y与z条件独立；

weixin_46002351的博客 1186

【企业智能体开发】优化模型成本、延迟与失败降级

小林的培训快开始时，服务台花很久“思考最优回答”，体验并不会更好。反过来，为了省钱而始终选最轻的模型，若连房间、连接方式和任务状态都识别不稳，后续错误检索和重复建单会造成更大代价。企业 Agent 的优化对象不是单次模型调用价格，而是任务在可接受时间内、安全地推进到正确结果的总成本。

Mr数据杨 894

Claude Code 新手安装指南，手把手教你怎么安装使用

如果你是企业内网用户，或者需要自定义 API 端点，那可以用手动配置 API Key 的方式。

篮球界最会写bug的人；程序猿中打球最菜的人。 492

机器学习（六）——贝叶斯分类器（贝叶斯定理、极大似然估计、朴素贝叶斯、半朴素贝叶斯、贝叶斯网、Python源码）

本文是基于西瓜书（第七章）的学习记录。内容包括贝叶斯定理、极大似然估计、朴素贝叶斯、半朴素贝叶斯、贝叶斯网、Python源码等。

介绍自己在学习过程中遇到的一些疑问及解决方法，个人知识总结的同时做一个知识分享~ 5309

【原理图与PCB专题】使用Cadence如何在Layout时直接互换相同功能的PIN

Cadence允许我们在PCB中互换管脚，最后再反标给原理图。集成TVS管、排阻、DDR、FPGA有一些PIN是完全相同功能，可进行管脚互换的，建议使用这个功能。可降低硬件工程师与Layout工程师之间沟通成本，加快设计进度。

一点硬件 801

贝叶斯分类器 完整学习笔记（详细）

大数据实验室学习记录 第N次 打卡 一、引言 根据自己的经验，由于是小白，一开始看不太懂西瓜书中的第七章贝叶斯相关知识，所以我把需要提前了解的小知识点给先放出来，如下： 先验概率（prior probability） 简单来说，就是指根据以往经验和分析得到的概率，即在事情发生之前，推测未来此事件发生概率。可看作“由因求果”。 举个通俗易懂的栗子：李华在成都春熙路观察了5周，发现每周末的时候好看的小姐姐最多，所以他打算以后每周末去春熙路，因为他根据以往的经验推测周末漂亮小姐姐多的概率比工作日大得多。

EMIvv的博客 3561

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

西瓜书读书笔记整理（七）—— 第七章 贝叶斯分类器

主要结合西瓜书介绍贝叶斯分类器的主要内容。

Smileyan's blog 1万+

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

西瓜书机器学习——第七章贝叶斯分类器

例如：第一章 Python 机器学习入门之pandas的使用。

xsddys的博客 1970

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

朴素贝叶斯和半朴素贝叶斯（AODE）分类器Python实现

一、概述 机器学习最后一次实验，要求实现朴素贝叶斯和AODE的半朴素贝叶斯分类器。由于老师说可以调用现成的相关机器学习的库，所以我一开始在做朴素贝叶斯分类器的时候，直接调用了sklearn库，很方便，可是问题来了，在做AODE半朴素贝叶斯分类器的时候，并没有找到集成好的方法。所以就想着自己把半朴素贝叶斯分类器实现了，朴素贝叶斯分类就直接调用库算了。可是让人头大的是，上来就直接实现AODE分类器还是...

McQueen_LT的博客 6260

第七章 贝叶斯分类器学习

第七章 贝叶斯分类器学习 1. 解释先验概率、后验概率、全概率公式、条件概率公式，结合实例说明贝叶斯公式，如何理解贝叶斯定理？   例子：假设有一个容器，里面装满了可能有偏见的硬币     1）硬币类型1是公平的，50%正面/ 50%反面浴缸里40%的硬币是1型的。     2） 硬币类型2产生70%的正面。35%的硬币是2型硬币     3）型硬币产生20%的正面。25%的硬币是3型的   求...

yk40809的博客 741

贝叶斯分类器

最近几天晃晃荡荡的，时不时来图书馆学习周志华老师的机器学习西瓜书，看到第七章贝叶斯分类器感觉很有意思，在此站搜索了一下发现了几篇优秀博文，忍不住说一句：写的真TM好哈哈哈，我想总结总结来加深这一部分的学习。文中的一些解释都基于西瓜数据集。后续的内容还有半朴素贝叶斯分类器、ADOE、贝叶斯网等内容，也是对朴素贝叶斯分类器的进一步优化，在参考5中也有说明朴素贝叶斯分类器的优缺点，使用步骤等等，非常不错，这篇就写到这里吧。

weixin_54729407的博客 1058

机器学习西瓜书——第七章 贝叶斯分类器

贝叶斯决策论是在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，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。下面我们以多分类任务为例来解释其基本原理。假设有NNN种可能的类别标记，即Y={c1,c2,…,cN},λij\mathcal{Y}=\left\{c_{1}, c_{2}, \ldots, c_{N}\right\}, \lambda_{i j}Y={c1​,c2​,…,cN​},λij​是将一个真实标记为cjc_jcj​的样本误分类为cic_ic

qq_44941689的博客 2194
上一篇： Dijkstra算法求最短路径
下一篇： 吃瓜笔记---第十章 降维与度量学习
点赞 0
评论 0
书签 书签 0
deeplearningcc
deeplearningcc
博客等级 码龄4年 0粉丝 10原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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