朴素贝叶斯
2016-05-27 11:29
274 查看
朴素贝叶斯的核心在于样本的每个特征属性之间是假定不相关的
所有朴素贝叶斯分类器都假定样本每个特征与其他特征都不相关:
例如,如果一种水果其具有红,圆,直径大概3英寸等特征,该水果可以被判定为是苹果。尽管这些特征相互依赖或者有些特征由其他特征决定,然而朴素贝叶斯分类器认为这些属性在判定该水果是否为苹果的概率分布上独立。
对于某些类型的概率模型,在监督式学习集中能获取得非常好的分类效果,在许多实际应用中,朴素贝叶斯模型参数估计使用最大似然估计方法,换而言之,在不用到贝叶斯概率或者任何贝叶斯模型的情况下,朴素贝叶斯模型也能够奏效。
相关向量机:
http://mi.eng.cam.ac.uk/~at315/MVRVM.htm
稀疏贝叶斯和相关向量机:
http://www.miketipping.com/sparsebayes.htm
机器学习期刊:(包含了代码实现)
http://www.jmlr.org/
朴素贝叶斯的核心在于样本的每个特征属性之间是假定不相关的
所有朴素贝叶斯分类器都假定样本每个特征与其他特征都不相关:
例如,如果一种水果其具有红,圆,直径大概3英寸等特征,该水果可以被判定为是苹果。尽管这些特征相互依赖或者有些特征由其他特征决定,然而朴素贝叶斯分类器认为这些属性在判定该水果是否为苹果的概率分布上独立。
对于某些类型的概率模型,在监督式学习集中能获取得非常好的分类效果,在许多实际应用中,朴素贝叶斯模型参数估计使用最大似然估计方法,换而言之,在不用到贝叶斯概率或者任何贝叶斯模型的情况下,朴素贝叶斯模型也能够奏效。
相关向量机:
http://mi.eng.cam.ac.uk/~at315/MVRVM.htm
稀疏贝叶斯和相关向量机:
http://www.miketipping.com/sparsebayes.htm
机器学习期刊:(包含了代码实现)
http://www.jmlr.org/
相关文章推荐
- 总结
- android activity 应该知道的一切
- camtasia 视频录制教程
- iOS使用WebView简单地应用内显示网页
- kafka的集群安装及配置文件说明
- 找小水王
- du df 空间被占用,空间未释放
- 对xml的操作-java版
- 浅谈URL最后带斜杠对SEO优化的影响
- C++中new和malloc的区别
- java中获取浏览器信息
- 临时2
- 【数据库】如何调试sql语句、存储过程——PLSQL、VS
- Java 多线程以及区别
- 多进程:信号量的监听与处理函数
- Python入门:类及对象浅析
- new/delete 和malloc/free 的区别一般汇总
- ZOJ 2229 Ride to School
- NodeJS、NPM安装配置步骤(windows版本)
- gluPerspective右手坐标系中透视投影剖析-线性中都要除以-z 和 zn、zf是距离