没有合适的资源?快使用搜索试试~ 我知道了~
颜色分类leetcode-dsc-2-22-05-MAP-naive-bayes-seattle-ds-career-04011...
共12个文件
png:4个
md:3个
gif:2个
需积分: 9 0 下载量 119 浏览量
2021-07-06
23:17:03
上传
评论
收藏 349KB ZIP 举报
温馨提示
颜色分类leetcode MAP 和朴素贝叶斯分类器 介绍 之前,我们研究了在给定所有可用数据的情况下,如何使用最大似然估计通过学习一些未知变量 theta 来计算后验概率。 在这节课中,我们将看看如何使用这个贝叶斯设置和一个简单的(相当朴素的)监督分类算法,称为“朴素贝叶斯分类器”。 所以让我们继续吧。 目标 你将能够: 修订 MAP 估计的基本原则并包含在 MLE 之前 了解使用 MAP 的联合概率建模如何允许在朴素贝叶斯分类器中对数据进行分类 解释如何在朴素贝叶斯的预测环境中使用 theta 的 MAP 估计 了解如何在朴素贝叶斯分类中使用正态分布进行建模 后验概率的 MAP(最大后验概率)估计 正如我们之前看到的,当我们对数据的先验概率有一些了解时,我们会使用 MAP。 我们可以计算边际概率或简单地计算贝叶斯上下文中先验概率的主观值。 我们可以将贝叶斯定理写成: $$P(\theta|X) = \frac{P(X|\theta)P(\theta)}{P(X)}$$ $$ = \frac{P(X|\theta)P(\theta)}{\sum_\Theta P(\theta,X)}
资源推荐
资源详情
资源评论
收起资源包目录
dsc-2-22-05-MAP-naive-bayes-seattle-ds-career-040119-master.zip (12个子文件)
dsc-2-22-05-MAP-naive-bayes-seattle-ds-career-040119-master
.gitignore 64B
LICENSE.md 1KB
CONTRIBUTING.md 2KB
gauss.png 44KB
README.md 13KB
ml.png 143KB
pdfs.png 89KB
NaiveBayesIntro4.gif 4KB
conf.png 55KB
.learn 86B
NaiveBayesIntro1.gif 4KB
index.ipynb 16KB
共 12 条
- 1
资源评论
weixin_38748580
- 粉丝: 6
- 资源: 941
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功