Si quiere decir, por “bayesiano ingenuo bayesiano”, que tiene antecedentes (Dirichlet) para probabilidad de clase y probabilidad condicional de clase, se aplicaría el mismo tipo de ventaja de los métodos bayesianos: puede tener en cuenta una mayor incertidumbre a expensas de la computación.
Un enfoque “semi-baeysiano” para bayes ingenuos es que, en lugar de marginar todos los parámetros, las estimaciones puntuales (como las estimaciones MAP) se calculan y se alimentan a la regla de bayes ingenuas. Para las distribuciones categóricas, da como resultado una fórmula aditiva simple para la clase y las probabilidades condicionales, que pueden verse como una estimación suavizada dados los datos. La forma más simple de esto se llama “pseudocuentas”. Esto a menudo funciona mucho mejor que el simple apporach de máxima probabilidad (conteo de histogramas), especialmente cuando el tamaño de los datos de entrenamiento es pequeño.
Este enfoque “semi” es tan simple como los ingenuos bayes originales y funciona sorprendentemente bien para muchas tareas. Por otro lado, no sé si el bayesiano ingenuo bayesiano completo se usa tanto.
- ¿Cuáles son las futuras áreas de investigación del aprendizaje automático y el reconocimiento de patrones para comenzar el doctorado y necesito algunas cosas buenas relacionadas con eso? como tesis doctorales y papel para estudiar?
- ¿Cómo es el curso de aprendizaje automático NPTEL?
- ¿Cuáles son los pasos básicos del procesamiento de texto en el procesamiento del lenguaje natural para la similitud de texto?
- ¿Cuál es el mejor sitio web de aprendizaje automático?
- ¿Es posible determinar cuánto 'aprende' una red neuronal desde un punto de datos dado en el conjunto de entrenamiento?
