人工智能经典电子书2.贝叶斯分类器--最大似然估计和贝叶斯参数估计.pdfVIP

最大似然估计和贝叶斯参数估计

贝叶斯分类器学习大纲

◼8月25日：

1.初识贝叶斯分类器

2.最大似然估计和贝叶斯参数估计

◼9月1日：

3.贝叶斯网络与朴素贝叶斯分类器

实战

◼9月8日：

4.EM算法

实战

本节学习目的：

•掌握最大似然估计和贝叶斯参数估计的原理;

•1引言

贝叶斯框架下的数据收集

◼在以下条件下我们可以设计一个可选择的分类器:

P()(先验)

i

P(x|)(类条件密度)

i

不幸的是，我们极少能够完整的得到这些信息!

从一个传统的样本中设计一个分类器

◼先验估计不成问题

◼对类条件密度的估计存在两个问题：1）样本对于类

条件估计太少了；2）特征空间维数太大了，计算复

杂度太高。

如果可以将类条件密度参数化，则可以显著

降低难度。

例如：P(x|)的正态性