知识卡片
条件独立分解似然
给定类别 C,朴素贝叶斯用 ∏P(xᵢ|C) 表达 P(x|C)。训练时可单独统计每个特征按类别的分布,无须收集齐全所有组合。若两项特征在类内仍高度相关,连乘可能把同一线索重复计入。
[[先验乘似然更新后验]]。给定类的独立假设让贝叶斯更新可以逐特征计算。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 6.2.2 朴素贝叶斯分类算法的数学解析 · 查看原书依据
为此,朴素贝叶斯做了一个“朴素”的假设,即特征与特征之间是相互独立、互不影响的。如此一来,式子就能化简。某个特征的似然度就可以简化为:
参考来源
- 位置:《机器学习算法的数学解析与Python实现》6.2.2 朴素贝叶斯分类算法的数学解析(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00066.html`)
- 结论依据:本节明确以特征独立简化公式,卡片补明条件是给定类。
- 原始内容:为此,朴素贝叶斯做了一个“朴素”的假设,即特征与特征之间是相互独立、互不影响的。如此一来,式子就能化简。某个特征的似然度就可以简化为: