机器学习基础——贝叶斯

已于 2022-06-07 15:12:13 修改
阅读量1.3k 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习 概率论 人工智能
于 2021-12-16 12:55:01 首次发布
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/weixin_44823313/article/details/121972090
版权
本文介绍了朴素贝叶斯和贝叶斯推理的区别。朴素贝叶斯是一种基于概率的分类方法，通过假设特征条件独立来简化计算。贝叶斯公式则用于更新先验概率得到后验概率，它在处理不确定性信息时非常有用。博客还探讨了似然、后验概率和先验概率的概念，并强调了它们在实际问题中的应用。

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

注意区别：朴素贝叶斯和贝叶斯推理(主观贝叶斯、贝叶斯网络)不是同一个概念

朴素贝叶斯的思想

求解一个联合概率分布 P ( X , Y ) P(X,Y) P(X,Y)需要首先得到先验概率分布 P ( Y = c i ) P(Y=c_i) P(Y=ci​)和条件概率分布 P ( X = x ∣ Y = c i ) = P ( X = x 1 , X = X 2 , . . . , X = x n ∣ Y = c i ) P(X=x|Y=c_i) = P(X=x_1,X=X_2,...,X=x_n|Y=c_i) P(X=x∣Y=ci​)=P

最低0.47元/天 解锁文章
机器学习-贝叶斯
weixin_45716107的博客
11-24 355
1：Python中有时候需要删除一个字符串中的空白符(包括空格、制表、回车），这时候可以先对字符串做split操作，然后做join操作: 示例： str1=‘ab c\tde\nfg’ str1.split() [‘ab’, ‘c’, ‘de’, ‘fg’] ‘’.join(str1.split()) ‘abcdefg’ 2：输出结果中出现乱码：需要给open函数传入enco...
机器学习——贝叶斯定理
weixin_74731967的博客
05-14 3490
人对某一事件未来会发生的认知，大多取决于该事件或类似事件过去发生的频率。这就是贝叶斯定理的数学模型，它最早由数学家托马斯·贝叶斯提出。贝叶斯生活在18世纪，他是一位牧师。1763年，他发表了论文《论有关机遇问题的求解》，提出了一种解决问题的框架思路，即通过不断增加信息和经验，逐步逼近真相或理解未知。这种思想奠定了贝叶斯理论的基础。贝叶斯定理的过程可以归纳为：“过去经验”加上“新的证据”得到“修正后的判断”。它提供了一种将新观察到的证据和已有的经验结合起来进行推断的客观方法。
贝叶斯机器学习
weixin_30493321的博客
06-04 135
贝叶斯机器学习 你知道贝叶斯法则。机器学习与它有何相关？它可能很难掌握如何把拼图块放在一起——我们了解它花了一段时间。 贝叶斯和频率论者 在本质上，贝叶斯意味着概率。这个具体的术语存在是因为有两个概率方法。贝叶斯认为这是一个衡量的信念，因此，概率是主观的，并且指向未来。 频率论者有不同看法：他们用概率描述过去发生的事件——这种方式是客观的并且不取决于一个人的信念。这个名字来源于一...
机器学习：贝叶斯学习
m0_72410588的博客
05-18 1046
本文介绍了贝叶斯学习的基本原理、常用方法以及应用场景。贝叶斯学习是一种比较常用的机器学习方法，它具有很多优点，例如可以解决过拟合问题、能够主动利用先验信息等。但是，它的计算复杂度较高，需要对概率统计理论有深入的理解。
机器学习 - 贝叶斯理论
累了就歇一会
05-22 4053
机器学习的学习速度不够快，不过希望能够学的比较踏实。毕竟虽然是IT但是更偏向数学，所以要学的严谨透彻，才能更好的应用到合适的场景里。贝叶斯简介贝叶斯推理提供了推理的一种概率手段。它基于如下的嘉定，既待考察的量遵循某概率分数，且可2根据这些概率及已观察到的数据进行推理，以做出最优的决策。贝叶斯学习对于机器学习相关有以下两个原因： 1. 贝叶斯学习算法能够计算显式的假设概率，如朴素贝叶斯分类器，它是解
机器学习——贝叶斯分类器
11-26
机器学习——贝叶斯分类器 贝叶斯分类器是机器学习中的一种常用算法，它基于贝叶斯定理和条件独立性假设，旨在对数据进行分类和预测。贝叶斯分类器的主要思想是通过训练数据集学习联合概率分布，然后使用后验概率...
机器学习实战——朴素贝叶斯.zip
04-16
作为人工智能核心研究领域之一的机器学习， 其研究动机是为了使计算机系统具有人的学习能力以实现人工智能。 那么， 什么是机器学习呢？ 机器学习 (Machine Learning) 是对研究问题进行模型假设，利用计算机...
机器学习实战——贝叶斯估计：从原理到应用的深度解析
最新发布
m0_65481401的博客
01-07 974
在机器学习和统计学中，贝叶斯估计（BayesianEstimation）是一种非常重要的方法论，它基于贝叶斯定理，通过将先验知识与观察数据相结合，进行参数估计和预测。贝叶斯方法在许多实际应用中都能提供独特的优势，尤其是在处理不确定性、缺失数据、复杂模型时，其优势愈加明显。 本文将深入探讨贝叶斯估计的原理、实现方式、常见数据集的应用以及如何通过代码实现贝叶斯估计，最后推荐几篇经典的相关论文供读者进一步阅读和研究。
机器学习——朴素贝叶斯算法
m0_63038557的博客
11-20 471
朴素贝叶斯算法是一种简单而高效的分类算法。其基本原理清晰，易于理解和实现，使其成为许多应用场景中的首选算法之一。朴素贝叶斯在小规模数据集上表现出色，尤其是在文本分类等任务中，它通常能够取得令人满意的结果。由于其对特征条件独立性的假设，朴素贝叶斯在高维数据上的计算效率较高，适用于包含大量特征的问题。在自然语言处理领域，朴素贝叶斯广泛用于文本分类任务。基于词袋模型，它能够有效地处理文本数据，被广泛应用于垃圾邮件过滤、情感分析等场景。
机器学习——贝叶斯算法(Bayes)
weixin_37861936的博客
12-19 1960
1、从一个例子来了解贝叶斯？ 假设一个学校里面人数总数为U，其中60%的学生为男生，40%的学生为女生，男生全部穿长裤，女生有一半穿长裤一半穿短裤 正向概率：随机选择一个学生，穿长裤的概率和穿裙子的概率分别是多大 逆向概率：迎面走来一个穿长裤的学生，推断其是女生的概率是多大 穿长裤的人数：U∗p(boy)∗p(pants∣boy)+U∗p(girl)∗p(pants∣girl)U*p(boy)*p...
机器学习（六）：贝叶斯
weixin_43590088的博客
08-06 604
文章目录一、条件概率1. 介绍2. 举例2.1 分析2.2 计算二、拼字纠错案例1. 介绍2. 代码实现2.1 计算词频2.2 编辑距离2.3 计算拼错概率 一、条件概率 1. 介绍 条件概率：指在事件B发生的情况下，事件A发生的概率，用P(A|B)表示。 在事件B发生的情况下，事件A发生的概率： 推导得： 同理得： 因此： 贝叶斯公式： 这里把P(A)称为“先验概率”，也就是在B事件...
机器学习之贝叶斯定理
u010199356的博客
03-21 1290
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[...
机器学习（三）贝叶斯
qq_41752952的博客
03-11 2547
贝叶斯分类器算法原理算法实现 算法原理 算法实现
机器学习 —— 朴素贝叶斯
DreamWendy的博客
11-29 2万+
​ 一、基于贝叶斯决策理论的分类方法 二、条件概率 三、朴素贝叶斯分类器 四、使用朴素贝叶斯进行文档分类 4.1准备数据：从文本中构建词向量 4.2 训练算法：从词向量计算概率 4.3 测试算法：根据现实情况修改分类器 4.4 准备数据：文档词袋模型 五、示例：使用朴素贝叶斯过滤垃圾邮件 5.1准备数据：切分文本 5.2 测试算法：使用朴素贝叶斯进行交叉验证 5.3 垃圾邮件分类完整代码 六、朴素贝叶斯实验总结
机器学习之贝叶斯算法
热门推荐
liuzheng081的博客
07-24 2万+
首先，贝叶斯公式                            这个公式是由联合概率公式推导出来的： P(A,B)=P(A|B)P(B)=P(B|A)P(A) P(A)叫做先验概率，P(A|B)叫做后验概率，P(A,B)叫做联合概率 如果在机器学的视角下，我们把A理解成“类别标签”，把B理解成“具有某种特征”。这样贝叶斯公司可以理解为 而应用这个算法最常见的场景就是针对垃圾...
机器学习（二）：贝叶斯
zhaoguanghe的博客
06-28 1949
贝叶斯 一、引言 南京大学周志华在《机器学习》中介绍：贝叶斯决策论在机器学习、模式识别等诸多关注数据分析的领域都有极为重要的地位。 根据在属性间依赖的涉及程度，贝叶斯分类器形成了一个“谱”：朴素贝叶斯分类器不考虑属性间的依赖性，贝叶斯网络能表示任意属性间的依赖性，二者分别位于“谱”的两端。介于两者之间的则是一系列半朴素贝叶斯分类器，它们基于各种假设和约束来对属性间的部分依赖性进行建模。 贝叶斯分类器与一般意义上的“贝叶斯学习”有显著区别，前者是根据最大后验概率进行单点估计，后者则是进行分布估计。
机器学习----朴素贝叶斯
LWLdexiaotuzi的博客
11-20 704
后验概率P(Y|X)：事情已发生，要求这件事情发生的原因是由某个因素引起的可能性的大小，后验分布P(Y|X)表示事件X已经发生的前提下，事件Y发生的概率，称事件X发生下事件Y的条件概率。如果p 1 ( x , y ) > p 2 ( x , y ) p1(x,y) > p2(x,y)p1(x,y)>p2(x,y)，那么类别为1。如果p 1 ( x , y ) < p 2 ( x , y ) p1(x,y) < p2(x,y)p1(x,y)<p2(x,y)，那么类别为2。
机器学习实战之贝叶斯（一）
丝萝愿为乔木的博客
04-09 2163
1 算法概括 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。 贝叶斯公式： 这种形式可能对于分类问题不太明显，那么我们换种形式：，这样就一目了然了，我们的任务就是求出P（类别|特征）。如果对于一个有多个特征的数据集，那么贝叶斯的形式就要写成,在朴素贝叶斯中，我们假设各特征相互独
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