周志华 《机器学习》之 第七章（贝叶斯分类器）概念总结

最新推荐文章于 2025-11-12 16:36:02 发布
原创 最新推荐文章于 2025-11-12 16:36:02 发布 · 3.6k 阅读 · 8 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习 #贝叶斯 #分类器

本文总结了《机器学习》中关于贝叶斯分类器的内容，包括贝叶斯决策论、极大拟然估计、朴素贝叶斯分类器、半朴素贝叶斯分类器、贝叶斯网及其结构学习与推断，以及EM算法在处理不完整数据时的作用。通过对这些概念的探讨，阐述了贝叶斯方法在概率框架下进行数据分类的基本思想和应用。

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。

1、贝叶斯决策论

条件风险：假设有N种可能的类别标记， Y={c1,c2,c3,...,cN},λij

最低0.47元/天 解锁文章
周志华机器学习西瓜书 第七章 贝叶斯分类器-学习笔记(超详细)
Sodas的博客
02-26 1222
缺点也是显然的：如果数据量较大，拉普拉斯修正可能会引入过多的平滑，导致概率估计不够准确、对于某些特定问题，可能需要调整平滑参数（如加的常数不一定是1）、而且拉普拉斯修正实际上是假定了属性与类别的均匀分布，这是额外引入的偏差，因为本身可能本身不是均匀的，所以这个要注意，实际问题是否是均匀的，若是不均匀可以调整所加的常数，调整偏差。是主观的，只是随着新证据的发现去不断的更新对概率的"信念值"。"，即频率 主义认为概率是"事件"，在大量重复性实验中所发生的频率，就会逼近真实的概率，涉及到极限的概念，是客观的。
《机器学习》周志华(西瓜书)学习笔记 第七章 贝叶斯分类器
sdm12345的博客
06-13 1550
《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 |...
openCv学习笔记（十二）—贝叶斯分类
数学屌丝走在it的道路上
08-20 3617
这几天在学习贝叶斯分类，据说它的文本分析很给力，主要是应用简单，所以就小试以下。。。。 首先看一下贝叶斯应用的一个小例子： 一个士兵射击，分别在100,200,300处射击击的概率是0.7，0.2，0.1，而在各处射中目标的概率是0.6,0.2,0.04。现在目标已被击毁，求士兵在200米击中的概率？ 这个要用到贝叶斯，设A1，A2，A3分别为士兵在100,200,300处射击，B为击中目标
机器学习 之 贝叶斯分类器
Claire_Bear7的专栏
07-05 9197
今天，学习了贝叶斯分类的相关内容，总结如下：贝叶斯的思考方法在贝叶斯派出现之前，占据主流地位的思考方法是频率派。他们认为，事情发生的频率是一定的（虽然可能算不出来，但是是确定的一个值），然而，样本空间确实不确定的，因此只需要关注样本分布即可。而贝叶斯则认为，参数是随机的（会产生变化），而样本确实固定的，因此需要重点关注参数估计。为了估计参数，就需要先知道参数的无条件分布，也就是说在有样本之前，参数是
从入门到精通：周志华《机器学习》第一、二章深度解析
最新发布
qq_51229257的博客
11-12 918
机器学习》前两章的本质是“建立机器学习的思维框架”：第一章定义了“什么是机器学习”“学习的核心逻辑”（假设空间搜索+归纳偏好），第二章解决了“如何判断模型好坏”（科学的评估方法+性能度量）。这两章的知识是后续所有算法学习的基础——无论学习决策树、神经网络还是SVM，都离不开“泛化能力”“过拟合”“误差评估”这些核心概念。
贝叶斯分类器-----机器学习
Lavender-csdn的博客
03-11 512
贝叶斯分类器中的涉及到的数学知识基本上是概率论与数理统计，其计算步骤倒是不难，西瓜书上的公式表示可能让人没有看下去的欲望，博主最开始学的时候也就是直接拿个例子计算一遍，然后再去看看西瓜书上的公式。贝叶斯中的核心计算公式就是条件概率的计算公式。 先看看条件概率的计算公式： 上面这个公式指的是事件A在事件B发生的条件下发生的概率。同理：P(B|A) = P(AB)/P(A)。这样上面也可以写...
一句话总结贝叶斯分类器
weixin_30502965的博客
09-19 223
一句话总结贝叶斯分类器 核心：将样本判定为后验概率最大的类。 贝叶斯分类器直接用贝叶斯公式解决分类问题。假设样本的特征向量为x，类别标签为y，根据贝叶斯公式，样本属于每个类的条件概率（后验概率）为： 分母p(x)对所有类都是相同的，分类的规则是将样本归到后验概率最大的那个类，不需要计算准确的概率值，只需要知道属于哪个类...
机器学习：贝叶斯分类器
m0_57385293的博客
02-11 3203
一、贝叶斯网络 二、朴素贝叶斯分类器
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 3919
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...
周志华《机器学习》书每章思维导图总结
gandebeautiful的博客
07-22 4276
《机器学习》书思维导图总结
机器学习--贝叶斯分类器
m0_55664376的博客
07-18 629
一. 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，在所有相关概率已知的情况下，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。 （1）假设有N种可能的类别标记，y={c1,c2,...,cn},x 为样本。 （2）基于后验概率P(ci | x)可获得将样本x 分类为ci的期望损失R( ci | x)。这个损失可以理解为如果将x 分为ci类的风险损失最小,那么x最有可能被分为ci类，为什么是这样呢？根据书上R.
机器学习（贝叶斯分类器）
weixin_40355324的博客
03-19 776
贝叶斯定理：贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。其中P(A|B)是指在B发生的情况下A发生的可能性。贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702～1763)曾提出计算条件概率的公式用来解决如下一类问题：假设H[1],H[2]…,H[n]互斥且构成一个完全事件，已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[1],H[2]…,...
机器学习—贝叶斯分类器
m0_63807165的博客
01-05 1692
本篇文章主要介绍了基于贝叶斯定理的分类方法——贝叶斯分类器、（半朴素&）朴素贝叶斯分类器及其方法原理，还简要介绍了贝叶斯网。
机器学习——贝叶斯分类器
A11451455的博客
08-08 1143
机器学习——贝叶斯分类器学习记录
【机器学习】贝叶斯分类器
cxyhjl的博客
11-20 4386
贝叶斯分类器是一种概率模型，利用贝叶斯公式来解决分类问题。假设样本的特征向量服从一定的概率分布，我们就可以计算出该特征向量属于各个类的条件概率。分类结果是条件概率最大的分类结果。如果假设特征向量的每个分量彼此独立，则它是朴素贝叶斯分类器。如果假设特征向量服从多维正态分布，则它是正态贝叶斯分类器。一、原理：贝叶斯公式（Bayes' theorem）贝叶斯决策朴素贝叶斯分类器朴素贝叶斯分类器特征向量为...
机器学习基础--贝叶斯分类器
大神养成中.....
08-31 1120
单纯的贝叶斯分类器很简单，基本上就是一个贝叶斯公式，要理解透彻贝叶斯分类器需要搞清楚两个概念似然函数基本上维基百科讲的很清楚，我这里在重复一下,可以直接去维基百科看 在数理统计学中，似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。似然函数在统计推断中有重大作用，如在最大似然估计和费雪信息之中的应用等等。“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统
机器学习 第7章 贝叶斯分类器 概念总结和简单实践
Hey_yf的博客
03-16 667
贝叶斯分类器是基于概率的计算，即如果有一个样本待预测，各属性已知，那么我们就找出符合这些属性的类别概率，把概率最大的作为该样本的label。 如何计算符合这些属性的类别概率（后验概率）呢？在概率与统计中，有一个定理，P(Y,X) = P(X)P(Y|X) = P(Y)P(X|Y)， 如果我们把X看作属性，把Y看作分类结果label，那么我们想要得到的就是在属性X已知的情况下，各类别P（Y|X）...
机器学习周志华第七章
01-24
### 周志华《机器学习》第七章内容概述 周志华编著的《机器学习》一书中的第七章主要讨论集成学习(Ensemble Learning)[^2]。这一章节深入探讨了通过构建并组合多个学习器来执行学习任务的方法和技术。 #### 集成...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
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