标签:高斯 特征 多项式 模型 贝叶斯 三种 alpha 伯努利
贝叶斯学习--------三种常用模型
三种常用的模型:多项式模型;高斯模型;伯努利模型
小白写文章,若有不对的地方,请在评论区指出,谢谢
(1)多项式模型
当特征是离散的时候,使用多项式模型,但会做一些平滑处理
Q:为什么要做平滑处理
A:就是在计算实例的概率时,如果某个量x,在观察样本库(训练集)中没有出现 过,会导致整个实例的概率结果是0。显然这是不合理的,不能因为一个事件没有观察到就判断该事件的概率是0。
例如 :p(x1|c1)= n1 / n 若n1==0,则概率为0,用拉普拉斯平滑,修改成 p(x1|c1)= (n1 + 1) / (n + N)
p(x|y)= ( Num(x,y) + alpha ) / (Num(y)+n* alpha)
n是特征的维数,当alpha=1时,称作Laplace平滑,当0<alpha<1时,称作Lidstone平滑,alpha=0时不做平滑。
(2) 高斯模型
当特征是连续变量的时候,使用高斯模型。高斯模型假设每一维特征都服从高斯分布(正态分布)
当特征是连续变量时,假设某些特征是正态分布,通过样本计算出均值和方差,得到正态分布的概率密度函数。有了概率密度函数,就能算出某一点的概率密度,从而得到概率。
(3)伯努利模型
伯努利模型适用于离散特征的情况,与多项式模型不同的是,伯努利模型中的每个特征值只有0,1,即,否与是。
标签:高斯,特征,多项式,模型,贝叶斯,三种,alpha,伯努利 来源: https://blog.csdn.net/liuliuliuliu666/article/details/101097803
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。