firesolider的博客

本实现仅仅是课本上的实现，仅供学习参考和sklearn实现不同 朴素贝叶斯的实现主要分为三步，本文按照三个步骤来实现，我们假设S为样本集合，包含N个样本，样本的特征维度为n 1.计算先验概率，表示类别对应的概率 2.计算条件概率表示个类别中第个维度的特征为的概率 3.计算最大化后验概率为了防止概率很小溢出，一般取对数，再比较大小 1.主要代码实现 结合字典和元组来存储统计结果，注意元组是不可变数据类别是可以作为字典的key的，而列表等可变数据类型不能作为字典的key 1. 计算先验概.

python实现常见的评价指标 confusion matrix: 预测正例 预测负例 真正例 tp fn 真负例 fp tn precision 表示预测为正例的样本中 正确预测的样本个数，从预测的角度看有多少预测正确 precision = tp / (tp + fp) recall 表示正样本中， 有多少被预测为正例，从标注角度看有多少被召回 recall = tp / (tp + fn) F1 = 2*precision*r...

神经网络的范式(paradigm) 总结nlp各种任务，基本都可以用一个范式来概括,那就是分类，本人总结看过的nn论文，目前看到的所有的任务nn虽然各有不同，但是最终都回归到各种粒度的分类上面。 Y = softmax(Nerual network(X,W)) 或者 sigmoid(Nerual network(X,W)), X式输入的文本图像视频语音，W式可学习的参数，Nerual Network是我们搭建的模型比如rnn,lstm,cnn,bert等等，Y是预测的目标对应概率，实际上就是做一个分类。