欢迎来到天天文库
浏览记录
ID:27064119
大小:4.55 MB
页数:20页
时间:2018-11-30
《《朴素贝叶斯法》ppt课件》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、图形绘制图片处理图表设计典型案例*By戴非凡Date2018.4.4朴素贝叶斯分类法图形绘制图片处理图表设计典型案例*贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器西瓜程序1234ContentsPage目录页*图形绘制图片处理图表设计典型案例*TransitionPage过渡页*贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器西瓜程序1234图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*贝叶斯决策论1.1贝叶斯决策论(Bayesiandecisiontheory)是概率框架下实施决策的基本方法。用p
2、1(x,y)表示数据点(x,y)属于类别1(图中红色圆点表示的类别)的概率,用p2(x,y)表示数据点(x,y)属于类别2(图中蓝色三角形表示的类别)的概率,那么对于一个新数据点(x,y),可以用下面的规则来判断它的类别:如果p1(x,y)>p2(x,y),那么类别为1如果p1(x,y)3、4、B)表示。图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*贝叶斯决策论1.22、全概率公式:如果A和A’构成样本空间的一个划分,那么事件B的概率,就等于A和A’的概率分别乘以B对这两个事件的条件概率之和。图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*贝叶斯决策论1.3贝叶斯推断:我们把P(A)称为”先验概率”(Priorprobability),即在B事件发生之前,我们对A事件概率的一个判断。P(A5、B)称为”后验概率”(Posteriorprobability),即在B事件发生之后,我们对A事件概6、率的重新评估。P(B7、A)/P(B)称为”可能性函数”(Likelyhood),这是一个调整因子,使得预估概率更接近真实概率。在1.1提到贝叶斯决策理论要求计算两个概率p1(x,y)和p2(x,y):如果p1(x,y)>p2(x,y),那么类别为1如果p1(x,y)8、x,y),p2(c29、x,y)图形绘制图片处理图表设计典型案例*TransitionPage过渡页*贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器西瓜程序1234贝叶斯决策论图10、片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.1基于贝叶斯公式估计后验概率P(c11、x)的主要困难在于:类条件概率P(x12、c)是所有属性上的联合概率,较难估计。为了避开这个障碍,提出了朴素贝叶斯分类器(naïveBayesclassifier)“朴素”:采用属性条件独立性假设——假设用于分类的特征在类确定的条件下都是条件独立的。贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.2贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.3Forexample:数据集为:测试集为:13、青绿蜷缩浊响清晰凹陷硬滑0.6970.460?是贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.4Python_programme:朴素贝叶斯分类函数图形绘制图片处理图表设计典型案例*TransitionPage过渡页*贝叶斯决策论西瓜程序14朴素贝叶斯分类器2半朴素贝叶斯分类器3贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.1独贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.2贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.2贝叶斯决策论朴素贝叶斯分类器程序14、*半朴素贝叶斯分类器3.2图形绘制图片处理图表设计典型案例*TransitionPage过渡页*西瓜程序4贝叶斯决策论1朴素贝叶斯分类器2半朴素贝叶斯分类器3贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器*程序4.1训练集及测试集图形绘制图片处理图表设计典型案例*谢谢观赏1234TrailerPage结束页*
3、
4、B)表示。图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*贝叶斯决策论1.22、全概率公式:如果A和A’构成样本空间的一个划分,那么事件B的概率,就等于A和A’的概率分别乘以B对这两个事件的条件概率之和。图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*贝叶斯决策论1.3贝叶斯推断:我们把P(A)称为”先验概率”(Priorprobability),即在B事件发生之前,我们对A事件概率的一个判断。P(A
5、B)称为”后验概率”(Posteriorprobability),即在B事件发生之后,我们对A事件概
6、率的重新评估。P(B
7、A)/P(B)称为”可能性函数”(Likelyhood),这是一个调整因子,使得预估概率更接近真实概率。在1.1提到贝叶斯决策理论要求计算两个概率p1(x,y)和p2(x,y):如果p1(x,y)>p2(x,y),那么类别为1如果p1(x,y)8、x,y),p2(c29、x,y)图形绘制图片处理图表设计典型案例*TransitionPage过渡页*贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器西瓜程序1234贝叶斯决策论图10、片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.1基于贝叶斯公式估计后验概率P(c11、x)的主要困难在于:类条件概率P(x12、c)是所有属性上的联合概率,较难估计。为了避开这个障碍,提出了朴素贝叶斯分类器(naïveBayesclassifier)“朴素”:采用属性条件独立性假设——假设用于分类的特征在类确定的条件下都是条件独立的。贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.2贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.3Forexample:数据集为:测试集为:13、青绿蜷缩浊响清晰凹陷硬滑0.6970.460?是贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.4Python_programme:朴素贝叶斯分类函数图形绘制图片处理图表设计典型案例*TransitionPage过渡页*贝叶斯决策论西瓜程序14朴素贝叶斯分类器2半朴素贝叶斯分类器3贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.1独贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.2贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.2贝叶斯决策论朴素贝叶斯分类器程序14、*半朴素贝叶斯分类器3.2图形绘制图片处理图表设计典型案例*TransitionPage过渡页*西瓜程序4贝叶斯决策论1朴素贝叶斯分类器2半朴素贝叶斯分类器3贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器*程序4.1训练集及测试集图形绘制图片处理图表设计典型案例*谢谢观赏1234TrailerPage结束页*
8、x,y),p2(c2
9、x,y)图形绘制图片处理图表设计典型案例*TransitionPage过渡页*贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器西瓜程序1234贝叶斯决策论图
10、片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.1基于贝叶斯公式估计后验概率P(c
11、x)的主要困难在于:类条件概率P(x
12、c)是所有属性上的联合概率,较难估计。为了避开这个障碍,提出了朴素贝叶斯分类器(naïveBayesclassifier)“朴素”:采用属性条件独立性假设——假设用于分类的特征在类确定的条件下都是条件独立的。贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.2贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.3Forexample:数据集为:测试集为:
13、青绿蜷缩浊响清晰凹陷硬滑0.6970.460?是贝叶斯决策论图片处理半朴素贝叶斯分类器程序*朴素贝叶斯分类器2.4Python_programme:朴素贝叶斯分类函数图形绘制图片处理图表设计典型案例*TransitionPage过渡页*贝叶斯决策论西瓜程序14朴素贝叶斯分类器2半朴素贝叶斯分类器3贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.1独贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.2贝叶斯决策论朴素贝叶斯分类器程序*半朴素贝叶斯分类器3.2贝叶斯决策论朴素贝叶斯分类器程序
14、*半朴素贝叶斯分类器3.2图形绘制图片处理图表设计典型案例*TransitionPage过渡页*西瓜程序4贝叶斯决策论1朴素贝叶斯分类器2半朴素贝叶斯分类器3贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器*程序4.1训练集及测试集图形绘制图片处理图表设计典型案例*谢谢观赏1234TrailerPage结束页*
此文档下载收益归作者所有