半朴素贝叶斯分类器.pptVIP

四、算例 系统控制中的应用 根据贝叶斯公式，则一号空情雷达报告目标类型为A的条件下，实际目标类型为A、B、C、D的条件概率分别为： * 知识管理与数据分析实验室 * 表示传感器报告目标为类型A的条件下，实际目标为A的概率； 表示实际目标类型为A的条件下，传感器报告目标类型为A的概率；P(A)表示存在类型为A的目标的先验概率； 表示所有传感器报告目标类型为A的概率之和，即 。 四、算例 系统控制中的应用 同样可以计算出一号空情雷达报告类型分别为B、C、D的条件下，实际目标类型的条件概率，如下表所示： * 知识管理与数据分析实验室 * 雷达报告 A B C D A 0.460 0.380 0.096 0.048 B 0.039 0.860 0.026 0.066 C 0.020 0.313 0.375 0.099 D 0.036 0.119 0.238 0.833 实际类型 四、算例 系统控制中的应用 于是，一号空情雷达报告假设目标类型为A的可信度为： 同理可以得到第一号传感器报告假设目标类型为B、C、D的可信度，即 ： * 知识管理与数据分析实验室 * 为了提高探测的准确性，一般要设置一个可信度阈值 ，将计算出的可信度值与可信度阈值 比较，看目标识别的可信度是否达到要求。假设 ，则以上的可信度值没有一个达到要求，因此需要重新进行识别，将以上计算的可信度值作为下一次计算的先验概率。 四、算例 系统控制中的应用 现略去计算步骤，可得到基于两个传感器报告的目标类型为A、B、C、D的可信度为： 。 同样假设 ，则可以知道B的可信度大于阈值，则可判定，空中目标类型为B。 * 知识管理与数据分析实验室 * 四、算例 信息检索中的应用 贝叶斯网络检索模型可以计算术语与术语，术语与文档之间的条件概率。下图给出了一种贝叶斯网络检索模型，利用同义词对查询术语进行扩展，用于信息检索领域。 * 知识管理与数据分析实验室 * Q T2 T3 T4 T5 R1 R2 R3 R4 R5 D1 T1 D2 四、算例 信息检索中的应用 假设有文档集合d表示为 ；这些文档的索引术语集合r表示为 。右图即为贝叶斯网络模型扩展的拓扑结构，其中Q被定义为查询术语节点， 定义为文档节点， 定义为索引术语节点， 有一条指向被它索引的文档 的弧。 * 知识管理与数据分析实验室 * Q T2 T3 T4 T5 R1 R2 R3 R4 R5 D1 T1 D2 四、算例 信息检索中的应用 用两个术语层来挖掘文档索引术语之间的关系，完全复制初始术语节点层r,得到另一个属于节点层t。对于查询术语Q，在索引术语层t查找他的同义词 ，则从Q 到 有一条弧； 从 指向 的弧，就是从 指向 ，其中总有从 指向 的弧， 是在一定衡量方法 * 知识管理与数据分析实验室 * Q T2 T3 T4 T5 R1 R2 R3 R4 R5 D1 T1 D2 下与 最相关的术语集合。 四、算例 信息检索中的应用 在确定了贝叶斯网络模型之后，通过计算索引术语与术语之间、索引术语与文档之间的条件概率与文档节点的后验概率，就能够获得全部文档节点的概率，并根据概率大小排序获得与查询节点最匹配的检索结果。 * 知识管理与数据分析实验室 * 四、算例 信息检索中的应用 考虑一种更简单的情况，即在查询节点和文档节点以外，只有一层术语节点的简单贝叶斯网络检索模型，如右图所示。 * 知识管理与数据分析实验室 * Q T2 T3 T4 T5 D1 T1 D2 D3 T6 四、算例 信息检索中的应用 例4.2 如图4-3所示，假设查询节点为Q，术语节点集合为 ，文档节点集合为 。根据图中弧线所对应的关系，计算查询节点Q更接近于文档节点集合中的哪一个？ 要求查询节点 更接近哪一个文档节点，即分别求 ，选择其中概率值最大的文档节点为所求。 * 知识管理与数据分析实验室 * 四、算例 信息检索中的应用 根据朴素贝叶斯算法的原则，所有术语节点相互独立。且由图可知，除去查询节点层，所有术语节点均为根节点。所以定义每一个术语 相关的先验概率 ，则不相关的概率 ，其中M为集合中术语的数目（本例中M=6）。一般情况下，任意