机器学习笔记 - 贝叶斯决策论

最新推荐文章于 2025-02-20 16:22:22 发布
最新推荐文章于 2025-02-20 16:22:22 发布
阅读量2.1k 收藏 4
点赞数 1
分类专栏： 机器学习 文章标签： 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。
本文链接：https://blog.youkuaiyun.com/volvet/article/details/60462835
版权
这篇博客介绍了贝叶斯定理及其在机器学习中的应用——贝叶斯决策论。内容包括条件概率、全概率公式、贝叶斯公式，并阐述了如何基于后验概率和误判损失来进行样本分类。

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

贝叶斯定理

条件概率

条件概率是指两个事件 A 和 B , A 已经发生的条件下, B 发生的概率, 记为 P(B|A) , 显然:

P(B|A)=P(AB)P(A)

P(AB) 是指 A 和 B 同时发生的概率.

全概率公式

设样本空间为 S , A为 E 的事件, { B1,B2,...,Bn} 为 S 的一个划分, 且 P(B

最低0.47元/天 解锁文章
机器学习：贝叶斯决策论
shaomingshan的博客
04-29 1269
模式分类课后题 2.5节 第2题 根据表格中的样本进行分类，样本服从正态分布 a． 假设前面两个类别的先验概率相等P(w1)=P(w2)=1/2，且P(w3)=0；仅利用x特征值为这两类判别设计一个分类器 b．确定样本的经验训练误差，即误分点的百分比 c．利用Bhattacharyya界定对该分布所产生的新模式进行分类会产生的误差 d．现在利用两个特征值x1和x2，重复以上各步骤 e．利用所有3个特征值重复以上各步 f．讨论所得的结论，特别是对于一个有限的数据集，是否可能在更高的数据维数下经验误差会增加。
机器学习 -- 贝叶斯决策理论
北堂飘霜_记录
01-09 711
我听不懂，不妨以一个高数题入局。当我还是个大学生的时候，觉得高数没什么用，现在觉得自己当时太年轻了。
机器学习: 贝叶斯决策 1
weixin_30421525的博客
03-27 192
Bayes rules 在介绍Bayes决策论之前，我们先介绍有关概率的两个基本准则：求和准则与相乘准则。 给定两个随机变量X,Y,假设X可以为任意值xi,其中i=1,2,...M, 同样的,Y可以取的值为yj,其中j=1,2,...L,假设我们对这两个随机变量的所有可能的值进行采样,一共做了N次采样，我们假设这N次采样中，X=xi, Y=yj的样本出现的个数...
交叉验证和模型评估方法
最新发布
weixin_73839586的博客
02-20 1447
假设我们有一个数据集，包含 10 个样本，特征只有一个（我们假设这些数据是通过某种方式标注的，表示是否能通过某个考试），每个样本的数据如下：如果我们想要评估某个分类器在这个数据集上的性能，5折交叉验证 将会把这个数据集分成 5 个子集（每个子集包含 2 个样本），然后进行 5 次训练和验证。第一折：第二折：第三折：第四折：第五折：在实际应用中，机器学习模型有很多超参数，网格搜索（Grid Search） 是一个通过遍历所有可能的超参数组合来找到最佳模型参数的方法。假设我们有一个 随机森林 模型，我们想调整以
机器学习（贝叶斯决策定理）
）梦想之深邃（
03-14 708
概率刻度：为0-1之间的一个实数，表示一次随机事件中事件发生可能性的大小。（概率≥0，非负） 可观测变量：在实验过程中可以观察到的变量；（如投一枚硬币出现正面、反面的情况） 在通常情况下，我们是不知道一个未知事件的确切概率的，但在大量实验的基础上我们可以用观测变量的概率分布 来间接地表达事件总体的概率分布。 如：投一枚硬币1为正面0为反面，9次实验结果为{1,1,1,0,1,0,0,1,1...
机器学习系列文章：贝叶斯决策理论
人工智能讲师团
09-22 1256
引言   训练计算机使之根据数据进行推断是统计学和计算机科学的交叉领域，其中统计学家提供有数据做推断的数学框架，而计算机科学家研究推断方法如果在计算机上有效地实现。    数据来自于一个不完全清楚的过程，将该过程作为随机过程建模表明我们缺乏知识。也许该过程实际上是确定性的，但是因为我们没有获取关于它的完全知识的途径，所以我们把它作为一个随机过程建模，并且用概率理论来分析它。   有时候，我们...
机器学习笔记--机器学习基本概念（全面总结，通俗易懂）
qq_44815135的博客
01-22 6908
 什么是机器学习？本文主要介绍了机器学习中的常见概念，包括监督学习和无监督学习、半监督学习、弱监督学习、强化学习、欠拟合和过拟合、损失和优化的概念以及常用的激活函数等。
机器学习学习笔记-英文版
07-25
【机器学习学习笔记-英文版】是一份详细阐述机器学习概念和算法的资料，由Jim Liang创作。本文档旨在帮助读者理解机器学习的基础、常用算法以及一些扩展话题。以下是笔记的主要内容： **Part 1: 基本概念** 1. **...
人工智能学习笔记-机器学习、人工智能、各类框架
10-12
人工智能学习笔记包含多个重要领域，其中机器学习作为人工智能的一个核心分支，在推动智能技术发展上扮演着举足轻重的角色。机器学习通过让机器从数据中学习并做出决策或预测，从而实现无需显式编程即可提高任务执行...
机器学习笔记--监督学习和无监督学习全面总结（原理、示意图、代码）
热门推荐
qq_44815135的博客
01-21 1万+
本文为大家总结了监督学习和无监督学习中常用算法原理简单介绍，包括了代码的详细详解，是机器学习的入门学习，同时也是AI算法面试的重点问题。主要包括线性回归、逻辑回归、决策树、朴素贝叶斯、k近邻算法、SVM、PCA、K-Meams等。
机器学习之贝叶斯定理
u013206066的博客
01-12 2216
贝叶斯定理可谓是机器学习算法中最重要的一个定理。这个算法并不高深，但是却十分有用。
贝叶斯决策理论机器学习数据挖掘
06-29
贝叶斯分类器 正态分布决策理论 关于分类的错误率分析 最小风险Bayes分类器 Bayes分类器算法和例题 聂曼－皮尔逊判别准则 最大最小判别准则 决策树 序贯分类
贝叶斯机器学习：有关贝叶斯机器学习方法的笔记本
02-03
贝叶斯机器学习笔记本 该存储库是有关贝叶斯机器学习的笔记本的集合。 以下链接通过显示了一些笔记本，以确保正确呈现公式。 依赖关系在子目录中的requirements.txt文件中指定。 。 贝叶斯线性回归简介。 用普通的NumPy和scikit-learn实现。 另请参见。 。 高斯回归过程简介。 用普通的NumPy / SciPy以及scikit-learn和GPy实现。 。 高斯分类过程简介。 用普通的NumPy / SciPy以及scikit-learn实现。 。 使用变分方法介绍稀疏高斯过程。 使用JAX的示例实现。 。 贝叶斯优化介绍。 用普通的NumPy / SciPy以及库scikit-optimize和GPyOpt来实现。 超参数调整作为应用示例。 。 演示如何实现贝叶斯神经网络和权重的可变推断。 Keras的示例实现。 。 对贝叶斯神经网络使用噪声对比先验，以获得对OOD数据更可靠的不确定性估计。 使用Tensorflow 2和Tensorflow概率实现。 。 期望最大化（EM）算法简介及其在高斯混合模型中的应用。 用普通的NumPy / SciP
机器学习之贝叶斯（贝叶斯定理、贝叶斯网络、朴素贝叶斯）
weixin_42180810的博客
07-30 6235
一、概率知识点复习 （1）条件概率 就是事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为P(A|B)，读作“在B条件下A的概率”。 （2）联合概率 可以简单的理解为事件A与事件B都发生的概率，记为P(AB)或P(A, B)。 此处就有  P(A, B) = P(A|B) * P(B) 若事件A与事件B独立，则有 P(A, B) = P(A) * P(B)，这也说明了此时 ...
贝叶斯决策与机器学习：一种强大的结合方法
AI天才研究院
01-09 1342
1.背景介绍 贝叶斯决策与机器学习：一种强大的结合方法 机器学习是人工智能领域的一个重要分支，它涉及到从数据中学习模式，并利用这些模式进行预测和决策。贝叶斯决策是一种经典的机器学习方法，它基于贝叶斯定理来进行决策。在本文中，我们将讨论贝叶斯决策与机器学习的结合方法，以及它们之间的联系和应用。 贝叶斯决策是一种基于概率的决策理论，它使用贝叶斯定理来更新先验概率为后验概率。贝叶斯定理是一种将先验...
贝叶斯决策理论
Rainbow0210的博客
10-21 9878
贝叶斯决策理论对于模式识别的方法，大体可以分为基于知识和基于数据的两类。所谓基于知识的方法，主要以专家系统为代表，一般归于人工智能的范畴；而基于数据的方法，则可归于基于数据的机器学习。基于数据的方法，基础是统计模式识别，即依据统计的原理来建立分类器。 说到统计，则不得不谈到概率，这里罗列一些概率论的机器学习中的基本概念，百度都可以查到，不再赘述： 样本、样本集、类（类别）、特征、已知样本
机器学习之一——贝叶斯决策论
aibucai的专栏
11-19 672
•贝叶斯决策论就是我们基于常识的判决过程的一种形式化而已 ——  判决依据取决于概率大小 •生活中的例子随处可见——例如，我们听见传来一个低沉浑厚的声音，记作x,我们下意识地就会把这个声源判定为男人(w男)，因为我们知道，低沉浑厚的声音普遍就是男性声音，也就是一个低沉浑厚的声音是一个男性声音的概率p(w男|x)比较大，此时，判决为男性，我们的误差概率最小！                
山东大学 机器学习 贝叶斯实验
不服输的苏大叔的博客
01-17 1746
实验一：“贝叶斯分类器的设计”实验说明 Part 1．仿真实验 随机产生10000组正样本和20000负样本高斯分布的数据集合（维数设为二维），要求正样本：均值为[1;3]，方差为[20;02]；负样本：均值为[10;20]，方差为[100;010]。先验概率按样本量设定为1/3和2/3.分别利用最小错误概率贝叶斯分类器和最小风险概率贝叶斯分类器对其分类。（假设风险程度正样本分错风险系...
山东大学2019级机器学习实验一思路分析
2959747634的博客
10-21 1906
山东大学2019级机器学习实验一思路分析 实验说明 中间的字段说明就不再写上了 实验分析 前提说明，默认大家已经掌握了贝叶斯模型是什么，怎么使用贝叶斯模型，不知道的可以点击链接查看添加链接描述。然后实验步骤依次如下： 数据预处理 训练模型，得到不同属性的概率 测试模型，运用概率去估测测试集并与结果比对得出精度 数据预处理 这里的数据预处理总共有四种，分别是补充缺失值、文字转成数值、日期格式、无关属性删除 补充缺失值 这次实验的缺失值比较特殊，一个是年份的位置（work_year）有缺失值，剩下有缺失
评论
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