机器学习基础(2) 概率论基础
2017-10-20 19:47
337 查看
机器学习基础(2) 概率论基础
概率密度函数
贝叶斯决策理论
*注意:以下小写p表示概率密度函数,大写的P表示概率。引入随机变量后,以下是在二元的概率分布中对各钟概率的定义
条件概率(conditional probability):表示在另外一个随机满足某个条件时,一个随机变量满足某一条件的概率。条件概率记作 P(X=xi|Y=yi)。
联合概率(conditional probability):表示两个个随机变量分别满足各自条件的概率。联合概率记作 P(X=xi,Y=yi)。
边缘概率(marginal mrobability ):表示在一个随机变量满足某一条件的概率,与其他变量无关。边缘概率记作P(X=xi)
贝叶斯定理(Bayes’ theorem): 后验概率 = (相似度*先验概率)/标准化常量。
也就是说,后验概率与先验概率和相似度的乘积成正比。
P(Y=yi|X=xi)=P(X=xi|Y=yi)P(Y=yi)P(X=xi)=P(X=xi|Y=yi)P(Y=yi)∑jP(X=xi|Y=yj)P(Y=yj)
例1: 手写识别,对输入的字母进行识别分类(a或b)。
先验概率(prior probability):是指根据以往经验和分析得到的概率。例如:类别k的概率记作 p(Ck).
似然函数(likelihood):用来描述已知随机变量输出结果时,未知参数的可能取值。例如:已知类别为k的情况下,数据的测量值为x的概率记作 p(x|Ck).
后验概率(posterior probability ):是指在得到“结果”的信息后重新修正的概率。例如:已知测量值为x的情况下,预测类别为k的概率记作 p(Ck|x)
相关文章推荐
- 【机器学习数学基础之概率论与统计05】多元随机向量及其分布
- 【机器学习数学基础之概率论与统计04】非参数估计
- 机器学习基础-学习笔记 概率论
- 机器学习基础---概率论基础知识
- 机器学习基础-概率论知识点
- 机器学习数学|概率论基础常见概型分布期望与方差
- 机器学习数学基础(二)概率论(下)
- 机器学习笔记_数学基础_2-概率论
- 机器学习基础01-数学分析与概率论
- matlab与机器学习(一)基础知识(含代码解析)
- 机器学习数学基础知识备忘
- 机器学习中的统计学基础知识
- 机器学习基础|深入理解拉格朗日乘子法
- 机器学习基础(林軒田)笔记之四
- 模式识别与机器学习基础之1-一个简单的回归问题(regression problem)
- 机器学习相关基础~
- 机器学习 —— 基础整理(四)特征提取之线性方法:主成分分析PCA、独立成分分析ICA、线性判别分析LDA
- 机器学习实战---读书笔记: 第4章 基于概率论的分类而方法:朴素贝叶斯
- 机器学习入门基础大纲
- 机器学习基础概念