在【前一个例子】中已经举例说明了如何用贝叶斯公式计算后验概率，然后依据后验概率来做决策。 1、什么是行为？ 但是，有时候，后验概率本身只能说明具有特征x的样本属于ωi类的可能性有多少，却没能表示如果将样本分到ωi类时的代价有多大。 在此，引入行为的概念。 分类器的设计初衷很简单，就是进行 ...

　　本文主要参考资料 　　最小错误率是在统计的意义上说的，请注意其含义。　　在这里要弄清楚条件概率这个概念。P(*|#)是条件概率的通用符号，在“|”后边出现的#为条件，之前的*为某个事件，即在某条件#下出现某个事件*的概率。P(ωK|X)是表示在X出现条件下，样本为ωK类的概率。　　一个事物 ...

理论上的东西，就不写了，也写不出什么有价值的东西，资料太多了。后文很多关于原理的讲述都给出了其他文章的引用。 分享一个比较简单易懂的贝叶斯决策理论与统计判别方法。 数据集： Dataset1.txt 328 个同学的身高、体重、性别数据（78 个女生、250 个男生 ...

0.什么是贝叶斯？ 贝叶斯公式是由一位数学家——托马斯·贝叶斯提出的，也称为贝叶斯法则， 他在许许多多的领域都有所应用，我们也在许多数学课程中学习过他。 这就是说，当你不能准确知悉一个事物的本质时，你可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。 用数学语言表达就是：支持 ...

1.基于最小错误率的贝叶斯决策 共w1~wn种决策 本质上就是最大后验概率P(wi | X)的贝叶斯决策 公式一：P(wi | X) = P(X | wi)*P(wi) / ∑nj=1 P(X | wj)*P(wj) i=1...n，j=1...n 2.最小风险的贝 ...

0. 前言 这是一篇关于贝叶斯方法的科普文，我会尽量少用公式，多用平白的语言叙述，多举实际例子。更严格的公式和计算我会在相应的地方注明参考资料。贝叶斯方法被证明是非常 general 且强大的推理框架，文中你会看到很多有趣的应用。 1. 历史 托马斯·贝叶斯（Thomas Bayes）同学 ...

简介 朴素贝叶斯是一种基于概率进行分类的算法，跟之前的逻辑回归有些相似，两者都使用了概率和最大似然的思想。但与逻辑回归不同的是，朴素贝叶斯通过先验概率和似然概率计算样本在每个分类下的概率，并将其归为概率值最大的那个分类。朴素贝叶斯适用于文本分类、垃圾邮件处理等NLP下的多分类问题。 核心 ...

概率分类器: 朴素贝叶斯是一种直接衡量标签和特征质检的概率关系的有监督学习算法, 是一种专注分类的算法, 朴素贝叶斯的算法根源是基于概率论和数理统计的贝叶斯理论, 因此它是根正苗红的概率模型. 关键概念: 联合概率: X取值为x和Y的取值为y, 两个事件同时发生的概率, 表示 ...