李宏毅机器学习——概率分类模型
分类
x -> function -> Class n
分类问题就是要找到一个函数使得给定输入能输出它所属的类别。
又以宝可梦为例,宝可梦有十八种属性:电、火等
比如输入是皮卡丘输出就是电。
如何分类
首先要收集训练数据
在二元分类模型(只有两个类别)中:
输入x,g(x) > 0 则 class1 否则 class2
那么损失函数可以这样定义:
L(f)=∑nδ(f(xn)≠y^n)
L(f) = \sum_n \delta(f(x^n) ≠ \hat y^n)
L(f)=n∑δ(f(xn)=y^n)
也就是它的错误次数,越小说明这个函数越好。
下面通过概率论的知识来解决找到最好的函数问题。
给定两个盒子,从这两个盒子中随机抽一个球出来,它是蓝色的。
那么这蓝色的球从盒子1和盒子2中抽出来的几率分别是多少?
假设从盒子1中抽球的概率 P(B1)=2/3P(B_1)= 2/3P(B1)=2/3,从盒子2中抽球的概率P(B2)=1/3P(B_2)=1/3P(B2)=1/3
并且盒子1里面蓝球的概率是P(Blue∣B1)=4/5P(Blue|B_1)=4/5P(Blue∣B1)=4/5,绿球的概率是P(Green∣B1)=1/5P(Green|B_1)=1/5P(Green∣B1)=1/5
盒子2中蓝球的概率是P(Blue∣B2)=2/5P(Blue|B_2)=2/5P(Blue∣B2)=2/5,绿球的概率是P(Green∣B2)=3/5P(Green|B_2)=3/5P(Green∣B2)=3/5
那么根据贝叶斯公式,可以计算出蓝球从盒子1中抽出来的概率是:
P(B1∣Blue)=P(Blue∣B1)P(B1)P(Blue∣B1)P(B1)+P(Blue∣B2)P(B2) P(B_1|Blue) = \frac{P(Blue|B_1)P(B_1)}{P(Blue|B_1)P(B_1)+P(Blue|B_2)P(B_2)} P(B1∣Blue)=P(Blue∣B1)P(B1)+P(Blue∣B2)P(B2)P(Blue∣B1)P(B1)
现在把盒子换成类别的话:
假设有两个类别Class1和Class2。
给定一个x,那么它属于哪个类别呢?
如果知道从Class1中抽x的概率P(C1)P(C_1)P(C1)和从Class2中抽x的概率P(C2)P(C_2)P(C2);
从Class1中抽到x的概率P(x∣C1)P(x|C_1)P(x∣C1)以及从Class2中抽到x的概率P(x∣C2)P(x|C_2)P(x∣C2)
那么可以计算x属于Class1的概率有多大:
P(C1∣x)=P(x∣C1)P(C1)P(x∣C1)P(C1)+P(x∣C2)P(C2) P(C_1|x) = \frac{P(x|C_1)P(C_1)}{P(x|C_1)P(C_1)+P(x|C_2)P(C_2)} P(C1∣x)=P(x∣C1)P(C1)+P(x∣C2)P(C2)P(x∣C1)P(C1)
这就叫做生成模型(Generative Mode)。顾名思义,有了这个模型,这可以用来生成x。
可以计算某一个x出现的几率P(x)=P(x∣C1)P(C1)+P(x∣C2)P(C2)P(x)=P(x|C_1)P(C_1) +P(x|C_2)P(C_2)P(x)=P(x∣C1)P(C1)+P(x∣C2)P(C2),就可以知道x的分布,然后就可以用这个分布来生成x。
假设我们考虑水系(Water)和一般系(Normal)的神奇宝贝。
在训练数据中,共有79只水系的,61只一般系的。
那从Class1中取得一只宝可梦的几率是P(C1)=79/(79+61)=0.56P(C_1)=79/(79+61)=0.56P(C1)=79/(79+61)=0.56;
那从Class2中取得一只宝可梦的几率是P(C1)=61/(79+61)=0.44=1−P(C1)P(C_1)=61/(79+61)=0.44 = 1 - P(C_1)P(C1)=61/(79+61)=0.44=1−P(C1);
那么从水系的神奇宝贝中挑出一只是海龟的几率(P(海龟∣Water)P(海龟|Water)P(海龟∣Water))有多大?
也就是P(x∣C1)=?P(x|C_1) = ?P(x∣C1)=?
我们知道每个神奇宝贝都是用特征(feature)向量来描述。
我们首先考虑防御力(Defense)和特殊防御力(SP Defense)这两个特征(因为没法画出7个特征的图像出来…)
每个点都代表一只宝可梦,如果给我们一个不在训练数据中的新的神奇宝贝,比如海龟。
那么从水系中挑出一只神奇宝贝是海龟的几率是多少? P(x∣Water)=?P(x|Water) = ?P(x∣Water)=?
可以想象这79只神奇宝贝是从某个高斯分布(正态分布)中取样出来,那么找到海龟代表的那个点的几率就不是0。
那给定这79个点,怎么找到这个高斯分布。
高斯分布常见的形式是:
f(x;μ,σ)=12πσexp−(x−μ)22σ2 f(x;\mu,\sigma)=\frac{1}{\sqrt{2\pi}\sigma}exp^{-\frac{(x-\mu)^2}{2\sigma^2}} f(x;μ,σ)=2πσ1exp−2σ2(x−μ)2
视频中给出了另一个种形式:
可以把高斯分布想成一个函数,这个函数的输入就是向量x,代表某只宝可梦的数值;
输出就是这只宝可梦从这个分布中取样出来的几率。
这个几率由均值μ\muμ和协方差矩阵Σ\SigmaΣ组成。
把不同的μ\muμ和Σ\SigmaΣ代入这个函数,就能得到不同的图像,x的几率也不一样。
同样的Σ\SigmaΣ不同的μ\muμ得出来的图形中几率分布最高点的位置不一样;
同样的μ\muμ和不同的Σ\SigmaΣ的几率分布最高点位置一样,但是分布发散的程度不一样。
假设有一个高斯分布存在,从这个分布中取样79次后,取出这79个点。
那么这个高斯分布到底是什么样的呢?
假设我们可以根据这个79个点估测出高斯分布的μ\muμ和Σ\SigmaΣ。
接着给一个新的点x,它不在我们过去所见过的79个点里面,我们已经知道了μ\muμ和Σ\SigmaΣ,我们就可以写出高斯函数
然后把x代进去,就可以算出这个x从这个分布出取样出来的几率,如果x越接近中心点,那么取样出来的概率就越大。
那么现在的问题就是如何找到这个μ\muμ和Σ\SigmaΣ,用的方法是极大似然。
极大似然
可以想象这个79个点能从任何μ\muμ 和 Σ\SigmaΣ 的高斯分布中生成出来。
从高斯分布中生成能生成任何一个点,不过几率有高低之别。
如上图,左下角那个分布生成这个79个点的可能性(Likelihood)比右上角的分布要高。
所以给定μ\muμ和Σ\SigmaΣ,就可以算出生成这些点的可能性 就是取样出每个点的几率之积:
L(μ,Σ)=fμ,Σ(x1)fμ,Σ(x2)fμ,Σ(x3)⋯fμ,Σ(x79) L(\mu,\Sigma) = f_{\mu,\Sigma}(x^1)f_{\mu,\Sigma}(x^2)f_{\mu,\Sigma}(x^3)\cdots f_{\mu,\Sigma}(x^{79}) L(μ,Σ)=fμ,Σ(x1)fμ,Σ(x2)fμ,Σ(x3)⋯fμ,Σ(x79)
上面的LLL不是代表损失函数,而是取Likelihood中的首字母。
所以,接下来要做的事情是找到生成这个79个点可能性最大(maximum likelihood)的高斯分布((μ∗,Σ∗)(\mu^*,\Sigma^*)(μ∗,Σ∗))。
μ∗,Σ∗=arg maxμ,ΣL(μ,Σ) \mu^*,\Sigma^*=arg\,\max_{\mu,\Sigma}L(\mu,\Sigma) μ∗,Σ∗=argμ,ΣmaxL(μ,Σ)
我们可以穷举所有的μ\muμ和Σ\SigmaΣ,找到使上面式子结果最大。
平均就是μ∗\mu^*μ∗
μ∗=179∑n=179xn
\mu^* = \frac{1}{79} \sum_{n=1}^{79} x^n
μ∗=791n=1∑79xn
而Σ∗\Sigma^*Σ∗是
Σ∗=179∑n=179(xn−μ∗)(xn−μ∗)T \Sigma^* = \frac{1}{79} \sum_{n=1}^{79} (x^n - \mu^*)(x^n - \mu^*)^T Σ∗=791n=1∑79(xn−μ∗)(xn−μ∗)T
然后根据上面的公式算出来两个类别的μ\muμ和Σ\SigmaΣ:
现在我们就可以进行分类了!
我们只要算出P(C1∣x)P(C_1|x)P(C1∣x)的几率,根据下式:
P(C1∣x)=P(x∣C1)P(C1)P(x∣C1)P(C1)+P(x∣C2)P(C2) P(C_1|x) = \frac{P(x|C_1)P(C_1)}{P(x|C_1)P(C_1)+P(x|C_2)P(C_2)} P(C1∣x)=P(x∣C1)P(C1)+P(x∣C2)P(C2)P(x∣C1)P(C1)
如果P(C1∣x)>0.5P(C_1|x) > 0.5P(C1∣x)>0.5,那么x就属于类别1(水系)。
我们已知了P(C1)P(C_1)P(C1)和P(C2)P(C_2)P(C2),然后代入μ1\mu^1μ1和Σ1\Sigma^1Σ1得出P(x∣C1)P(x|C_1)P(x∣C1)的值,同理可得出P(x∣C2)P(x|C_2)P(x∣C2)的值,整个式子的结果就可以计算出来了。
那结果怎样?
蓝色的点是水系的神奇宝贝的分布,红点时一般系的分布。
红色区域几率大于0.5是类别1;蓝色区间几率小于0.5,是类别2。
然后把这个模型用于测试数据,发现正确率只有47%,但此时我们只考虑了两个特征。
我们把所有特征都考虑进来(共7个),结果准确率也只有54%。
上面得出的分类结果不太好,我们优化一下模型,让两个类别共用同一个Σ\SigmaΣ。
假设水系79个神奇宝贝是从μ1,Σ\mu^1,\Sigmaμ1,Σ的高斯分布生成出来的,同时另外61只(编号从80开始)神奇宝贝从μ2,Σ\mu^2,\Sigmaμ2,Σ的高斯分布生成出来,这两个分布的协方差矩阵是同一个。
那该怎么计算最大似然呢?
L(μ1,μ2,Σ)=fμ1,Σ(x1)fμ1,Σ(x2)fμ1,Σ(x3)⋯fμ1,Σ(x79)×fμ2,Σ(x80)fμ2,Σ(x81)fμ2,Σ(x82)⋯fμ2,Σ(x140) L(\mu^1,\mu^2,\Sigma) = f_{\mu^1,\Sigma}(x^1)f_{\mu^1,\Sigma}(x^2)f_{\mu^1,\Sigma}(x^3)\cdots f_{\mu^1,\Sigma}(x^{79}) \\ \times f_{\mu^2,\Sigma}(x^{80})f_{\mu^2,\Sigma}(x^{81})f_{\mu^2,\Sigma}(x^{82})\cdots f_{\mu^2,\Sigma}(x^{140}) L(μ1,μ2,Σ)=fμ1,Σ(x1)fμ1,Σ(x2)fμ1,Σ(x3)⋯fμ1,Σ(x79)×fμ2,Σ(x80)fμ2,Σ(x81)fμ2,Σ(x82)⋯fμ2,Σ(x140)
用μ1,Σ\mu^1,\Sigmaμ1,Σ产生x1x^1x1到x79x^{79}x79,用μ2,Σ\mu^2,\Sigmaμ2,Σ产生x80x^{80}x80到x140x^{140}x140
μ1\mu^1μ1和μ2\mu^2μ2的计算方法和前面的相同。
而Σ\SigmaΣ的取值为
Σ=79140Σ1+61140Σ2 \Sigma = \frac{79}{140}\Sigma^1 + \frac{61}{140}\Sigma^2 Σ=14079Σ1+14061Σ2
然后再看一下结果,看有什么改进没
在考虑了所有特征的情况下,准确率到了73%,右边的模型也称为线性模型。
总结一下上面的步骤
如果所有特征(维度)都是独立的,那么你可以尝试使用朴素贝叶斯分类器。
Sigmoid 函数
P(C1∣x)=P(x∣C1)P(C1)P(x∣C1)P(C1)+P(x∣C2)P(C2) P(C_1 | x ) = \frac{P(x|C_1)P(C_1)}{P(x|C_1)P(C_1) + P(x|C_2)P(C_2)} P(C1∣x)=P(x∣C1)P(C1)+P(x∣C2)P(C2)P(x∣C1)P(C1)
我们来整理下这个式子,上下同除分子,得到:
11+P(x∣C2)P(C2)P(x∣C1)P(C1)
\frac{1}{1 + \frac{P(x|C_2)P(C_2)}{P(x|C_1)P(C_1)}}
1+P(x∣C1)P(C1)P(x∣C2)P(C2)1
令 z=lnP(x∣C1)P(C1)P(x∣C2)P(C2)z = ln \frac{P(x|C_1)P(C_1)}{P(x|C_2)P(C_2)}z=lnP(x∣C2)P(C2)P(x∣C1)P(C1)
因为ln1x=lnx−1=−lnxln \frac{1}{x} = ln x^{-1} = - ln xlnx1=lnx−1=−lnx 以及 elnx=xe ^ {ln x} = xelnx=x
所以就有上式等于:
11+e−z=σ(z) \frac{1}{1 + e ^{-z}} = \sigma (z) 1+e−z1=σ(z)
这个函数叫做Sigmoid函数,它的图形为:
接下来算一下zzz应该是怎样的 z=lnP(x∣C1)P(C1)P(x∣C2)P(C2)z = ln \frac{P(x|C_1)P(C_1)}{P(x|C_2)P(C_2)}z=lnP(x∣C2)P(C2)P(x∣C1)P(C1)
P(C1∣x)=σ(z), z=lnP(x∣C1)P(C1)P(x∣C2)P(C2)
P(C_1|x)=\sigma(z),\,\,z = ln \frac{P(x|C_1)P(C_1)}{P(x|C_2)P(C_2)} \\
P(C1∣x)=σ(z),z=lnP(x∣C2)P(C2)P(x∣C1)P(C1)
把相乘的部分变成相加得
z=lnP(x∣C1)P(x∣C2)+lnP(C1)P(C2) z = ln \frac{P(x|C_1)}{P(x|C_2)} + ln \frac{P(C_1)}{P(C_2)} z=lnP(x∣C2)P(x∣C1)+lnP(C2)P(C1)
而
P(C1)P(C2)=N1N1+N2N2N1+N2=N1N2 \frac{P(C_1)}{P(C_2)} = \frac{\frac{N_1}{N_1 + N_2}}{\frac{N_2}{N_1 + N_2}} = \frac{N_1}{N_2} P(C2)P(C1)=N1+N2N2N1+N2N1=N2N1
N1N_1N1代表Class1在训练数据集中出现的次数,N2N_2N2代表Class2在训练集中出现的次数。
而
P(X∣C1)=1(2π)D/21∣Σ1∣1/2exp{−12(x−μ1)T(Σ1)−1(x−μ1)} P(X|C_1) = \frac{1}{(2\pi)^{D/2}} \frac{1}{|\Sigma^1|^{1/2}}exp\{-\frac{1}{2}(x-\mu^1)^T(\Sigma^1)^{-1}(x-\mu^1)\} P(X∣C1)=(2π)D/21∣Σ1∣1/21exp{−21(x−μ1)T(Σ1)−1(x−μ1)}
P(X∣C2)=1(2π)D/21∣Σ2∣1/2exp{−12(x−μ2)T(Σ2)−1(x−μ2)} P(X|C_2) = \frac{1}{(2\pi)^{D/2}} \frac{1}{|\Sigma^2|^{1/2}}exp\{-\frac{1}{2}(x-\mu^2)^T(\Sigma^2)^{-1}(x-\mu^2)\} P(X∣C2)=(2π)D/21∣Σ2∣1/21exp{−21(x−μ2)T(Σ2)−1(x−μ2)}
lnP(x∣C1)P(x∣C2)=ln1(2π)D/21∣Σ1∣1/2exp{−12(x−μ1)T(Σ1)−1(x−μ1)}1(2π)D/21∣Σ2∣1/2exp{−12(x−μ2)T(Σ2)−1(x−μ2)}=ln∣Σ2∣1/2∣Σ1∣1/2exp{−12[(x−μ1)T(Σ1)−1(x−μ1)−(x−μ2)T(Σ2)−1(x−μ2)]}=ln∣Σ2∣1/2∣Σ1∣1/2−12[(x−μ1)T(Σ1)−1(x−μ1)−(x−μ2)T(Σ2)−1(x−μ2)]
\begin{aligned}
ln \frac{P(x|C_1)}{P(x|C_2)} &=
ln \frac{\bcancel{\frac{1}{(2\pi)^{D/2}}} \frac{1}{|\Sigma^1|^{1/2}}exp\{-\frac{1}{2}(x-\mu^1)^T(\Sigma^1)^{-1}(x-\mu^1)\}}
{\bcancel{\frac{1}{(2\pi)^{D/2}}} \frac{1}{|\Sigma^2|^{1/2}}exp\{-\frac{1}{2}(x-\mu^2)^T(\Sigma^2)^{-1}(x-\mu^2)\}} \\
&= ln \frac{|\Sigma^2|^{1/2}}{|\Sigma^1|^{1/2}} exp\{-\frac{1}{2}[(x-\mu^1)^T(\Sigma^1)^{-1}(x-\mu^1) - (x-\mu^2)^T(\Sigma^2)^{-1}(x-\mu^2)]\} \\
&= ln \frac{|\Sigma^2|^{1/2}}{|\Sigma^1|^{1/2}} - \frac{1}{2}[(x-\mu^1)^T(\Sigma^1)^{-1}(x-\mu^1) - (x-\mu^2)^T(\Sigma^2)^{-1}(x-\mu^2)]
\end{aligned}
lnP(x∣C2)P(x∣C1)=ln(2π)D/21∣Σ2∣1/21exp{−21(x−μ2)T(Σ2)−1(x−μ2)}(2π)D/21∣Σ1∣1/21exp{−21(x−μ1)T(Σ1)−1(x−μ1)}=ln∣Σ1∣1/2∣Σ2∣1/2exp{−21[(x−μ1)T(Σ1)−1(x−μ1)−(x−μ2)T(Σ2)−1(x−μ2)]}=ln∣Σ1∣1/2∣Σ2∣1/2−21[(x−μ1)T(Σ1)−1(x−μ1)−(x−μ2)T(Σ2)−1(x−μ2)]
接下来把(x−μ1)T(Σ1)−1(x−μ1)(x-\mu^1)^T(\Sigma^1)^{-1}(x-\mu^1)(x−μ1)T(Σ1)−1(x−μ1)展开
(x−μ1)T(Σ1)−1(x−μ1)=xT(Σ1)−1x−xT(Σ1)μ1−(μ1)T(Σ1)−1x+(μ1)T(Σ1)−1μ1=xT(Σ1)−1x−2(μ1)T(Σ1)−1x+(μ1)T(Σ1)−1μ1 \begin{aligned} (x-\mu^1)^T(\Sigma^1)^{-1}(x-\mu^1) &= x^T(\Sigma^1)^{-1}x - x^T(\Sigma^1)\mu^1 - (\mu^1)^T(\Sigma^1)^{-1}x + (\mu^1)^T(\Sigma^1)^{-1}\mu^1 \\ &= x^T(\Sigma^1)^{-1}x - 2(\mu^1)^T(\Sigma^1)^{-1}x + (\mu^1)^T(\Sigma^1)^{-1}\mu^1 \end{aligned} (x−μ1)T(Σ1)−1(x−μ1)=xT(Σ1)−1x−xT(Σ1)μ1−(μ1)T(Σ1)−1x+(μ1)T(Σ1)−1μ1=xT(Σ1)−1x−2(μ1)T(Σ1)−1x+(μ1)T(Σ1)−1μ1
(x−μ2)T(Σ2)−1(x−μ2)(x-\mu^2)^T(\Sigma^2)^{-1}(x-\mu^2)(x−μ2)T(Σ2)−1(x−μ2)展开:
(x−μ2)T(Σ2)−1(x−μ2)=xT(Σ2)−1x−2(μ2)T(Σ2)−1x+(μ2)T(Σ2)−1μ2 \begin{aligned} (x-\mu^2)^T(\Sigma^2)^{-1}(x-\mu^2) &= x^T(\Sigma^2)^{-1}x - 2(\mu^2)^T(\Sigma^2)^{-1}x + (\mu^2)^T(\Sigma^2)^{-1}\mu^2 \end{aligned} (x−μ2)T(Σ2)−1(x−μ2)=xT(Σ2)−1x−2(μ2)T(Σ2)−1x+(μ2)T(Σ2)−1μ2
所以zzz可以写成:
z=ln∣Σ2∣1/2∣Σ1∣1/2−12xT(Σ1)−1x+(μ1)T(Σ1)−1x−12(μ1)T(Σ1)−1μ1+12xT(Σ2)−1x−(μ2)T(Σ2)−1x+12(μ2)T(Σ2)−1μ2+lnN1N2 \begin{aligned} z &= ln \frac{|\Sigma^2|^{1/2}}{|\Sigma^1|^{1/2}} - \frac{1}{2} x^T(\Sigma^1)^{-1}x + (\mu^1)^T(\Sigma^1)^{-1}x - \frac{1}{2} (\mu^1)^T(\Sigma^1)^{-1}\mu^1 \\ &+ \frac{1}{2}x^T(\Sigma^2)^{-1}x -(\mu^2)^T(\Sigma^2)^{-1}x + \frac{1}{2} (\mu^2)^T(\Sigma^2)^{-1}\mu^2 + ln \frac{N_1}{N_2} \end{aligned} z=ln∣Σ1∣1/2∣Σ2∣1/2−21xT(Σ1)−1x+(μ1)T(Σ1)−1x−21(μ1)T(Σ1)−1μ1+21xT(Σ2)−1x−(μ2)T(Σ2)−1x+21(μ2)T(Σ2)−1μ2+lnN2N1
而我们上面说过,如果共用Σ\SigmaΣ的话,那么就有Σ1=Σ2=Σ\Sigma_1 = \Sigma_2 = \SigmaΣ1=Σ2=Σ
那么上式有:
z=ln∣Σ2∣1/2∣Σ1∣1/2−12xT(Σ1)−1x+(μ1)T(Σ1)−1x−12(μ1)T(Σ1)−1μ1+12xT(Σ2)−1x−(μ2)T(Σ2)−1x+12(μ2)T(Σ2)−1μ2+lnN1N2=(μ1−μ2)TΣ−1x−12(μ1)T(Σ1)−1+12(μ2)T(Σ2)−1μ2+lnN1N2 \begin{aligned} z &= \bcancel{ln \frac{|\Sigma^2|^{1/2}}{|\Sigma^1|^{1/2}}} - \cancel{\frac{1}{2} x^T(\Sigma^1)^{-1}x} + (\mu^1)^T(\Sigma^1)^{-1}x - \frac{1}{2} (\mu^1)^T(\Sigma^1)^{-1}\mu^1 \\ &+ \cancel{\frac{1}{2}x^T(\Sigma^2)^{-1}x} -(\mu^2)^T(\Sigma^2)^{-1}x + \frac{1}{2} (\mu^2)^T(\Sigma^2)^{-1}\mu^2 + ln \frac{N_1}{N_2} \\ &= (\mu^1-\mu^2)^T\Sigma^{-1}x - \frac{1}{2}(\mu^1)^T(\Sigma^1)^{-1} + \frac{1}{2}(\mu^2)^T(\Sigma^2)^{-1}\mu^2 + ln \frac{N_1}{N_2} \end{aligned} z=ln∣Σ1∣1/2∣Σ2∣1/2−21xT(Σ1)−1x+(μ1)T(Σ1)−1x−21(μ1)T(Σ1)−1μ1+21xT(Σ2)−1x−(μ2)T(Σ2)−1x+21(μ2)T(Σ2)−1μ2+lnN2N1=(μ1−μ2)TΣ−1x−21(μ1)T(Σ1)−1+21(μ2)T(Σ2)−1μ2+lnN2N1
假设wT=(μ1−μ2)TΣ−1w^T = (\mu^1-\mu^2)^T\Sigma^{-1}wT=(μ1−μ2)TΣ−1 ,后面这一项其实就是一个常数,另b=−12(μ1)T(Σ1)−1+12(μ2)T(Σ2)−1μ2+lnN1N2b = - \frac{1}{2}(\mu^1)^T(\Sigma^1)^{-1} + \frac{1}{2}(\mu^2)^T(\Sigma^2)^{-1}\mu^2 + ln \frac{N_1}{N_2}b=−21(μ1)T(Σ1)−1+21(μ2)T(Σ2)−1μ2+lnN2N1
因为P(C1∣x)=σ(z)P(C_1|x) = \sigma(z)P(C1∣x)=σ(z)
而z=w⋅x+bz = w \cdot x + bz=w⋅x+b
也就有P(C1∣x)=σ(w⋅x+b)P(C_1|x) = \sigma(w \cdot x + b)P(C1∣x)=σ(w⋅x+b)
它解释了为什么共用Σ\SigmaΣ时界线是线性的。
在生成模型中,我们找出N1,N2,μ1,μ2,ΣN_1,N_2,\mu^1,\mu^2,\SigmaN1,N2,μ1,μ2,Σ就可以代入上式,然后就能算出几率
但是为什么要这么麻烦呢?最终要找到一个向量www和一个常量bbb,如果我们能否直接找出www和bbb就好了。
- 点赞
- 收藏
- 分享
- 文章举报
- 机器学习 李宏毅 L10-分类(概率生成模型)
- 【ML入门】李宏毅机器学习笔记05-分类问题1-概率生成模型
- [机器学习入门] 李宏毅机器学习笔记-5(Classification- Probabilistic Generative Model;分类:概率生成模型)
- 4、【李宏毅机器学习(2017)】Classification- Probabilistic Generative Model(分类-概率生成模型)
- python机器学习 第三章(2)基于逻辑回归的分类概率模型
- 李宏毅机器学习2016 第四讲 分类:概率生成模型
- 李宏毅机器学习课程4~~~分类:概率生成模型
- 机器学习多目标分类模型解法
- 机器学习中的概率模型和概率密度估计方法及VAE生成式模型详解之二(作者简介)
- 机器学习中的贝叶斯方法---先验概率、似然函数、后验概率的理解及如何使用贝叶斯进行模型预测(2)
- 机器学习笔记(IX)线性模型(V)多分类学习
- [机器学习入门] 李宏毅机器学习笔记-19 (Deep Generative Model-part 2:深度生成模型-part 2)
- 李宏毅机器学习 P12 HW2 Winner or Loser 笔记(不使用框架实现使用MBGD优化方法和z_score标准化的logistic regression模型)
- 机器学习(五)常用分类模型(K最近邻、朴素贝叶斯、决策树)和分类评价指标
- 机器学习之分类模型的性能度量
- 机器学习基础(二十一)—— 分类与回归、生成模型与判别模型
- 机器学习专题:浅谈感知机分类模型(一)
- 机器学习基础3--线性分类模型
- 模式识别和机器学习 笔记 第四章 线性分类模型(一)
- 机器学习之分类模型的性能度量