← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 10015.a.1 · 生成模型:GPT-6

条件独立分解似然

理解等级:中级

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?

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

    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: