模式识别
关注
分享
扫一扫
dsif1995
这个作者很懒，什么都没留下…
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
最大似然估计
问题描述考虑一个M类的问题，并将类记作。已知特征向量服从 分布，但概率分布的一些参数未知，将未知参数的集合记作未知向量，此时概率分布可表示为最大似然估计是利用已知的特征向量来估计未知参数的一种方法假设条件最大似然估计假设每个类的概率分布函数是互不影响的，则我们可以独立地估计每一个类的概率密度函数的参数。理论推导假设是原创 2016-04-01 23:11:27 · 379 阅读 · 0 评论 -
朴素贝叶斯(Naive-Bayes)介绍
训练的目的用已知的训练集X和贝叶斯分类规则，估计概率密度函数现实问题：在特征的每一维不相互独立地情况下，为了保证估计的准确性，训练样本的数量N一定要足够大。一般来说，所需的样本数量随特征空间维数l的增加呈指数增长。比如在一维特征空间中N个训练样本可准确估计，则在l维空间中需要Nl个训练样本。因此如果l较大的话，要想准确估计是很困难的，因为很难有这么多的训练样本。原创 2016-04-07 23:14:17 · 666 阅读 · 0 评论 -
贝叶斯决策理论
1、分类的基本思想给定一个M类的分类任务和一个用特征向量表示的未知样本；求M个类的后验概率, i=1,2,......M我们可以认为特征向量表示的样本属于后验概率最大的那一类。 2、贝叶斯决策理论这里以两类的情况为例进行分析，并用表示类别。 已知条件：先验概率：条件概率密度函数：注：先验概率和条件概率密度函数在实际应用中都可以通过训练数据求得原创 2016-03-26 22:54:10 · 654 阅读 · 0 评论