201116西瓜书机器学习系列---7、贝叶斯分类器

201116西瓜书机器学习系列---7、贝叶斯分类器

一、总结

一句话总结：

为什么贝叶斯可以解决分类问题：【贝叶斯决策论】

贝叶斯决策论目标：【讲述为什么贝叶斯可以用来分类】

贝叶斯决策论核心思想：【如果每个样本都能条件风险最小化，则整体条件风险也就最小化了】

 

1、贝叶斯 公式？

P(c)：【先验概率】：样本空间中各个样本所占的比例

P(x)：【证据因子】：与类别无关

P(x|c)：样本相对于类的类标记概率，也称为【似然】：求的话就是【属性条件独立性假设】：$$P ( x | c ) = \prod _ { i = 1 } ^ { d } P ( x _ { i } | c )$$

 

2、极大似然估计？

【存在即合理，冥冥之中自有天意】

通俗理解来说，【就是利用已知的样本结果信息，反推最具有可能导致这样结果出现的参数值】

 

3、贝叶斯 对应参考资料？

统计学习方法

 

4、贝叶斯怎么解决问题？

朴素贝叶斯、半贝叶斯、贝叶斯网络

 

 

二、内容在总结中

博客对应课程的视频位置：