《统计学习方法》第4章 朴素贝叶斯法
朴素贝叶斯(naive Bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法。
对于给定的数据集,首先根据特征条件独立假设学习输入/输出的联合概率分布;然后基于此模型,对给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。
4.1朴素贝叶斯法的学习与分类
4.1.1基本方法
朴素贝叶斯法对条件概率分布作了条件独立性的假设。(简单高效,但损失了分类的准确度)
朴素贝叶斯法属于生成模型,学习到的是生成数据的机制。
4.1.2后验概率最大化的含义
后验概率最大化等价于期望风险最小化准则
条件期望
期望风险最小化推后验概率最大化
4.2 朴素贝叶斯法的参数估计
4.2.1 极大似然估计
4.2.2 贝叶斯估计
贝叶斯估计:用极大似然估计可能会出现估计值为0的情况。会影响到后验概率的计算结果,使分类产生偏差。解决这一问题的方法使采用贝叶斯估计。
课后题答案