![](https://csdnimg.cn/release/download_crawler_static/86376125/bg1.jpg)
上篇主要介绍和讨论了支持向量机。从最初的分类函数,通过最大化分类间
隔,max(1/||w||),min(1/2||w||^2),凸二次规划,朗格朗日函数,对偶问题,
一直到最后的 SMO 算法求解,都为寻找一个最优解。接着引入核函数将低维
空间映射到高维特征空间,解决了非线性可分的情形。最后介绍了软间隔支持
向量机,解决了 outlier 挤歪超平面的问题。本篇将讨论一个经典的统计学习算
法--贝叶斯分类器。
#7、贝叶斯分类器
贝叶斯分类器是一种概率框架下的统计学习分类器,对分类任务而言,假设在
相关概率都已知的情况下,贝叶斯分类器考虑如何基于这些概率为样本判定最
优的类标。在开始介绍贝叶斯决策论之前,我们首先来回顾下概率论委员会常
委--贝叶斯公式。
##7.1 贝叶斯决策论
若将上述定义中样本空间的划分 Bi 看做为类标,A 看做为一个新的样本,则很
容易将条件概率理解为样本 A 是类别 Bi 的概率。在机器学习训练模型的过程
中,往往我们都试图去优化一个风险函数,因此在概率框架下我们也可以为贝
叶斯定义“条件风险”(conditional risk)。
评论0