5. 朴素貝葉斯
視頻
舉個在 NLP 的應用
給一段文字，返回情感分類，這段文字的態度是positive，還是negative
為了解決這個問題，可以只看其中的一些單詞
這段文字，將僅由一些單詞和它們的計數代表
原始問題是：給你一句話，它屬於哪一類
通過 bayes rules 變成一個比較簡單容易求得的問題
問題變成，這一類中這句話出現的概率是多少，當然，別忘了公式里的另外兩個概率
栗子：單詞 love 在 positive 的情況下出現的概率是 0.1，在 negative 的情況下出現的概率是 0.001
6. K最近鄰
視頻
k nearest neighbours
給一個新的數據時，離它最近的 k 個點中，哪個類別多，這個數據就屬於哪一類
栗子：要區分 貓 和 狗，通過 claws 和 sound 兩個feature來判斷的話，圓形和三角形是已知分類的了，那么這個 star 代表的是哪一類呢
k＝3時，這三條線鏈接的點就是最近的三個點，那么圓形多一些，所以這個star就是屬於貓
7. K均值
視頻
想要將一組數據，分為三類，粉色數值大，黃色數值小
最開心先初始化，這里面選了最簡單的 3，2，1 作為各類的初始值
剩下的數據里，每個都與三個初始值計算距離，然后歸類到離它最近的初始值所在類別
分好類后，計算每一類的平均值，作為新一輪的中心點
幾輪之后，分組不再變化了，就可以停止了
8. Adaboost
視頻
adaboost 是 bosting 的方法之一
bosting就是把若干個分類效果並不好的分類器綜合起來考慮，會得到一個效果比較好的分類器。
下圖，左右兩個決策樹，單個看是效果不怎么好的，但是把同樣的數據投入進去，把兩個結果加起來考慮，就會增加可信度
adaboost 的栗子，手寫識別中，在畫板上可以抓取到很多 features，例如 始點的方向，始點和終點的距離等等
training 的時候，會得到每個 feature 的 weight，例如 2 和 3 的開頭部分很像，這個 feature 對分類起到的作用很小，它的權重也就會較小
而這個 alpha 角 就具有很強的識別性，這個 feature 的權重就會較大，最后的預測結果是綜合考慮這些 feature 的結果
9. 神經網絡
視頻
Neural Networks 適合一個input可能落入至少兩個類別里
NN 由若干層神經元，和它們之間的聯系組成
第一層是 input 層，最后一層是 output 層
在 hidden 層 和 output 層都有自己的 classifier
input 輸入到網絡中，被激活，計算的分數被傳遞到下一層，激活后面的神經層，最后output 層的節點上的分數代表屬於各類的分數，下圖例子得到分類結果為 class 1
同樣的 input 被傳輸到不同的節點上，之所以會得到不同的結果是因為各自節點有不同的weights 和 bias
這也就是 forward propagation
10. 馬爾可夫
視頻
Markov Chains 由 state 和 transitions 組成
栗子，根據這一句話 ‘the quick brown fox jumps over the lazy dog’，要得到 markov chain
步驟，先給每一個單詞設定成一個狀態，然后計算狀態間轉換的概率
這是一句話計算出來的概率，當你用大量文本去做統計的時候，會得到更大的狀態轉移矩陣，例如 the 后面可以連接的單詞，及相應的概率
生活中，鍵盤輸入法的備選結果也是一樣的原理，模型會更高級
轉載：https://blog.csdn.net/qq_45067177/article/details/90411885