贝叶斯公式

基本假设为： 预测公式为： 所以从这个公式看得出，需要对类别概率和条件概率进行统计，最终选择后验概率最大的作为输出，因为对于所有的类别，分母部分是相同的，所以最终公式为分子取最大的类别： 平滑的本质： 平滑的本质是对训练数据集中那些概率为0的统计量分配一个基本的不为0的概率。 来源： CSDN 作者： 厉害了我的汤 链接： https://blog.csdn.net/YD_2016/article/details/104039062

1.概率基础： 　　联合概率:包含多个条件，并且所有条件同时成立的概率。P(A,B)=P(A)*P(B); 　　条件概率:在事件B发生的条件下，事件A发生的概率。P(A|B)=P(AB)/P(B)=P(B|A)P(A)/P(B); 　　　　条件概率的特性：当AB相互独立时，P(A1,A2|B)=P(A1|B)P(A2|B) 2.朴素贝叶斯公式： 　　这里以文档预测给出，一篇文章可以分为一个个词组，判断这篇文章属于什么类型，就是依据词组在总文章中的概率大小。 　　W为给定的文章，Fn为文章中的不同词组，C为文章类别。W=F1+F2+F3......+Fn; 　　依据给定的文章和词语来预测这是一篇什么类型的文章。 　　P(C|W)=P(W|C)*P(C)/P(W)=P(F1,F2,F3......Fn|C)/P(F1,F2,F3......Fn); 来源： https://www.cnblogs.com/cwj2019/p/11755567.html

条件概率： 　　　　　　 　　　　　　　B条件下A发生的概率等于B发生概率分之A和B同时发生的概率 全概率公式： 　　　　　　 　　　　　　 　　　　　　P(A) = P(AB1)+P(AB2)+...+P(ABn) 　　　　　　= P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(Bn) 　　　　　　 　　　　　　 贝叶斯公式： 　　　　 　　　　　　 　全概率列子如下： 贝叶斯概率例题如下： 　　　　 来源： https://www.cnblogs.com/wutanghua/p/11552292.html

看的头秃，生活艰难 由条件概率可得，P(wi | x） = P(wi, x) / P(x) 套贝叶斯公式得，P(wi | x) = P(x | wi) * P(wi) / P(x) 通过比较P(wi | x)的大小决定分为哪一类中，由于分母相同，所以转化为比较P(x | wi) * P(wi) 的大小， P(wi)表示分类为wi分类的概率， P(x | wi)表示x在wi分类下的概率，以单词组向量为例，假设单词组向量中的每个单词都是相互独立的，那么总的概率等于各个部分概率相乘，统计每个单词在wi分类下出现的次数 / wi分类中每篇出现的单词总数，然后相乘。（这种方法好像叫做拉普拉斯平滑） 由于相互独立后如果单词没有出现最终得到的概率为0，所以将概率相乘转化为概率相加，对数字去对数，同样有单调性，同时防止特征过多而造成数据相乘越来越小，最后为0的情况，同样也是用对数处理的方法，同时给分母加底数 参考资料 1、《机器学习实战》 2、 https://www.cnblogs.com/lliuye/p/9178090.html 来源： https://www.cnblogs.com/lalalatianlalu/p/11332435.html

文章目录 概率和统计是一个东西吗？ 贝叶斯公式到底在说什么？ 似然函数 文章目录 概率和统计是一个东西吗？ 贝叶斯公式到底在说什么？ 似然函数 来源： https://blog.csdn.net/a200332/article/details/98960751