十大经典算法朴素贝叶斯解释.pptVIP

贝叶斯理论 简单的说，贝叶斯定理是基于假设的先验概率、给定假设下观察到不同数据的概率，提供了一种计算后验概率的方法。 在人工智能领域，贝叶斯方法是一种非常具有代表性的不确定性知识表示和推理方法。 贝叶斯定理： P(A)是A的先验概率或边缘概率。之所以称为“先验”是因为它不考虑任何B方面的因素。 P(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。 P(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。 P(B)是B的先验概率或边缘概率，也作标准化常量（normalized constant）. 总结： 扩展： 扩展： 对于第二个问题：朴素贝叶斯算法是在假定各个特征属性相互独立的情况下提出来，这在现实生活中是很难实现的，所以针对这个问题人们做了大量工作解决这个缺点。 （1）如果特征属性之间是有联系的，并且是一个有向无环图，可以采用另一个相关的贝叶斯分类算法——贝叶斯网络。在此不再介绍。 （2）除了贝叶斯网络还有kononenko提出的semi-na?ve bayesian 算法，称为半朴素贝叶斯算法， 扩展： 该算法就是将特征相关的属性分成一组，然后假设不同组中的属性是相互独立的，同一组中的属性是相互关联的。 （3）还有一种具有树结构的TAN（tree augmented na?ve