培训课件-贝叶斯分类.pptVIP

问题2：溢出问题 P(w|Ci) = P(w0|Ci)*P(w1|Ci)*P(w2|Ci)*P(w3|Ci) 等式右边分子中各概率的值 可能很小，而很小的数再相乘 可能会导致浮点数溢出 对等式右边的分子求对数，进而将概率相乘转换为相加： 注: log(a*b) = log(a) + log(b) 你这样乱改公式， 贝叶斯知道吗？ 问题2：溢出问题 如果不指明底数，我们默认底数为2。 y = log(x) 为增函数 若 P(a) P(b)，则 log(P(a)) log(P(b)) 朴素贝叶斯算法是通过比较待分类实例属于各个类别的概率的大小来实现分类的， 因此只要公式能体现出概率的大小关系即可，无需计算出准确的条件概率 问题3：决策风险问题 不同的决策规则反映了分类器设计者的不同考虑，对决策结果有不同的影响。其中最有代表性的是: 基于最小错误率的贝叶斯决策 基于最小风险的贝叶斯决策 问题3：决策风险问题：基于最小错误率的贝叶斯决策 分类器中为什么会有错分类，在何种情况下会出现错分类？错分类的可能性会有多大？ 当某一特征向量X只为某一类物体所特有，即 对其作出决策是容易的，也不会出什么差错。问题在于出现模凌两可的情况。此时，任何决策都存在判错的可能性。 条件概率：P(*|#)是条件概率的通用符号，P(wk|X)是表示在X出