PRML 阅读笔记(十二)<4.2>

这篇阅读笔记探讨了概率生成模型在处理分类问题中的应用,包括两类问题的解析和K类问题的softmax扩展。内容涉及连续输入时的多维高斯分布假设,最大似然解决方案以及离散特征下的朴素贝叶斯模型。此外,还简要提到了指数族分布的相关性质。

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

4.2 Probabilistic Generative Models


      分类问题的生成模型:model p(x|ck),p(ck),再用Bayesian公式推导出p(ck|x)。对于“两类问题”,有:


        其中a的定义如下:

              

        其中有logistic function:

                      

       对K>2类分类问题,将logistic扩展到K类,即使用softmax function来解决。softmax的预测函数如下:

       

        即对每一个分类K都要有一个相应的预测值,分母是为了保证概率之和为1。当K=2使,可以推导出softmax即logistic。在分类之前,还要对p(x|ck)和p(ck)建模,下面来看看当x分别为连续型变量和离散型

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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