ML：naive bayes
本文共 238 字，大约阅读时间需要 1 分钟。
基于特征相互独立，强假设。
典型的生成模型(生成模型还有隐马尔可夫链)
生成模型还原联合概率分布P(X,Y)，学习和收敛速度更快。 判别模型直接学习条件概率P(X|Y)或决策函数f(X)，往往准确率更高。根据贝叶斯公式：
学习：
先验概率P(Y) 条件概率P(X|Y) 得出： 后验概率P(Y|X)
朴素贝叶斯将实例分到后验概率最大的类中，等价于期望风险最小化。 先验概率计算：
条件概率计算： 
贝叶斯估计： 通常在后验概率分子和分母上加一个正常数，避免出现概率为0的时候。
转载地址：http://fywji.baihongyu.com/
你可能感兴趣的文章
如何自定义iOS中的控件
查看>>
iOS 开发百问
查看>>
Mac环境下svn的使用
查看>>
github简单使用教程
查看>>
如何高效利用GitHub
查看>>
环境分支-git版本管理
查看>>
uni-app 全局变量
查看>>
js判断空对象的几种方法
查看>>
java 不用递归写tree
查看>>
springboot2 集成Hibernate JPA 用 声明式事物
查看>>
fhs-framework jetcache 缓存维护之自动清除缓存
查看>>
SpringBoot 动态编译 JAVA class 解决 jar in jar 的依赖问题
查看>>
fhs-framework springboot mybatis 解决表关联查询问题的关键方案-翻译服务
查看>>
ZUUL2 使用场景
查看>>
Spring AOP + Redis + 注解实现redis 分布式锁
查看>>
elastic-job 和springboot 集成干货
查看>>
php开发微服务注册到eureka中(使用sidecar)
查看>>
mybatis mybatis plus mybatis jpa hibernate spring data jpa比较
查看>>
支付宝生活号服务号 用户信息获取 oauth2 登录对接 springboot java
查看>>
CodeForces #196(Div. 2) 337D Book of Evil （树形dp）
查看>>