Maximum Likelihood、Naive Bayes

已于 2023-01-11 15:47:33 修改
阅读量106 收藏
点赞数
分类专栏： 李宏毅机器学习 Notebook 文章标签： 分类
于 2022-10-23 00:41:01 首次发布
原文链接：https://www.bilibili.com/video/BV1Ht411g7Ef?p=10
版权
博客介绍了最大似然估计的概念，通过模拟79个点来展示这一方法。首先，对Water和Normal分别进行了最大似然假设，随后假设两者来自同一分布，进行了线性回归的最大似然估计，这里涉及高斯分布。如果各维度独立，则问题转化为朴素贝叶斯分类。视频进一步深入讲解了这一主题。

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

在这里插入图片描述
这里是 probability density 不是 probability
probability distribution or probability density function (PDF)
probability distribution function or cumulative distribution (CDF)

概率论与数理统计 4 Continuous Random Variables and Probability Distributions(连续随机变量与概率分布)(上篇)

【日常分享】概率密度函数与概率分布函数理解

在这里插入图片描述
最大似然，每个点都可以做出一个以自身u和Σ的Gaussian分布，模拟79个点，所以存在Maximum Likelihood模拟79个点最好
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
首先，Water和Normal分别做了Maximum likelihood假设，
后又假设Water与Normal来自同一个分布，做了一个Maximum likelihood假设（此时为linear regression，gaussian distribution，）；
在这里插入图片描述
在这里插入图片描述
如果所有维度是独立的，那么则是Naive Bayes
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

https://blog.youkuaiyun.com/u011067360/article/details/22879807?utm_medium=distribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~default-1-22879807-blog-22882327.pc_relevant_vip_default&spm=1001.2101.3001.4242.1&utm_relevant_index=4

视频：
https://www.bilibili.com/video/BV1Ht411g7Ef?p=10

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