基于参数估计的分类方法演示文稿.pptVIP

贝叶斯估计举例一维情况多维情况返回本文档共80页；当前第30页；编辑于星期六\2点11分一维情况前提条件计算p(?|D)计算p(x|D)返回本文档共80页；当前第31页；编辑于星期六\2点11分前提条件假定总体概率密度是正态的，即：其中均值?是未知参数，方差?2是已知的。假设?是随机变量，服从正态分布，即其中?0和?0都是已知的。返回本文档共80页；当前第32页；编辑于星期六\2点11分计算p(?|D)基本公式中间结果最终结果一个特例返回本文档共80页；当前第33页；编辑于星期六\2点11分基本公式p(?|D)可以利用下面的基本公式计算：返回本文档共80页；当前第34页；编辑于星期六\2点11分中间结果将正态密度代入整理得：返回本文档共80页；当前第35页；编辑于星期六\2点11分最终结果p(?|D)仍是一个正态密度函数，即：其中返回本文档共80页；当前第36页；编辑于星期六\2点11分p(?|D)的数学形式?n表示在观察到一组样本后，对?的最好推断，?n反映了该推断的不确定性。因随n单调减小并趋于零，故增加样本可减少对?的推断不确定性。当n增加时，p(?|D)的峰会变得越来越突起，并逐步趋向狄拉克?函数。返回本文档共80页；当前第37页；编辑于星期六\2点11分一个特例如果那么当方差?2=1时，?的贝叶斯估计为：估计方差为返回本文档共80页；当前第38页；编辑于星期六\2点11分计算p(x|D)基本公式最终结果返回本文档共80页；当前第39页；编辑于星期六\2点11分基本公式p(x|D)可以利用下面的基本公式计算：返回本文档共80页；当前第40页；编辑于星期六\2点11分最终结果p(x|D)仍是一个正态密度函数，即：其中返回本文档共80页；当前第41页；编辑于星期六\2点11分p(x|D)的数学形式其中返回本文档共80页；当前第42页；编辑于星期六\2点11分多维情况前提条件计算p(?|D)计算p(X|D)返回本文档共80页；当前第43页；编辑于星期六\2点11分前提条件假定总体概率密度是正态的，即：其中?未知，协方差阵?已知。假设?是随机向量，服从正态分布，即其中?0和?0都是已知的。返回本文档共80页；当前第44页；编辑于星期六\2点11分计算p(?|D)基本公式最终结果返回本文档共80页；当前第45页；编辑于星期六\2点11分基本公式p(?|D)可以利用下面的基本公式计算：返回本文档共80页；当前第46页；编辑于星期六\2点11分最终结果p(?|D)仍是一个正态密度函数，即：其中返回本文档共80页；当前第47页；编辑于星期六\2点11分p(?|D)的数学形式?n表示在观察到一组样本后，对?的最好推断，?n反映了该推断的不确定性。因|?n|随n单调减小并趋于零，故增加样本可减少对?的推断不确定性。当n增加时，p(?|D)的峰会变得越来越突起，并逐步趋向狄拉克?函数。返回本文档共80页；当前第48页；编辑于星期六\2点11分计算p(X|D)基本公式辅助恒等式最终结果返回本文档共80页；当前第49页；编辑于星期六\2点11分基本公式p(X|D)可以利用下面的基本公式计算：返回本文档共80页；当前第50页；编辑于星期六\2点11分辅助恒等式为了简化p(X|D)的计算结果，需要用到下面的辅助恒等式：（试证明）其中A和B是可逆同阶方阵，且A+B可逆返回本文档共80页；当前第51页；编辑于星期六\2点11分证明同理:返回本文档共80页；当前第52页；编辑于星期六\2点11分最终结果p(X|D)仍是一个正态密度函数，即：其中返回本文档共80页；当前第53页；编辑于星期六\2点11分p(X|D)的数学形式返回本文档共80页；当前第54页；编辑于星期六\2点11分贝叶斯学习基本递推公式递归学习过程贝叶斯学习示意图贝叶斯学习举例返回本文档共80页；当前第55页；编辑于星期六\2点11分基本递推公式设Dn={X1,X2,…,Xn}，在n0时有其中返回本文档共80页；当前第56页；编辑于星期六\2点11分基于参数估计的分类方法演示文稿本文档共80页；当前第1页；编辑于星期六\2点11