Suponga que tiene un conjunto de datos de muestra, x [1], x [2], … .x [t] y desea clasificar cada punto de datos en una clase, C [1] C [2], …, C [k ]
La clasificación bayesiana funciona según la regla de Bayes. Relaciona la probabilidad posterior de una clase con su probabilidad y probabilidad anteriores.
Probabilidad previa: es la probabilidad de que un punto de datos tome la clase C [i], independientemente del valor de x, denotado por P (C [i]). Tenga en cuenta que esto es a nivel de clase. Tendrás valores para cada clase.
Probabilidad posterior: es la probabilidad de que un punto de datos tome la clase C [i], dado que ha visto el valor de x correspondiente, denotado por P (C / x).
Probabilidad: es la probabilidad de que obtenga este valor x dado que el punto de datos pertenece a la clase C [i], denotado por P (x / C).
Usando la regla de Baye, podemos escribir:
[matemáticas] P (C / x) = \ frac {P (x / C) * P (C)} {P (x)} [/ matemáticas]
Elegir la clase correcta depende del objetivo del clasificador. En general, las personas tienden a elegir el que tiene la posterior más alta. Sin embargo, es posible que desee agregar funciones de utilidad, es decir, valor de pérdida o valor de ganancia a cada probabilidad y luego elija la respuesta.
- ¿Existen algoritmos que estructuran datos previamente no estructurados utilizando 'etiquetas' definidas por el usuario?
- Cómo habilitar la compresión gzip
- ¿Cuál crees que es la razón por la cual las personas pueden resolver acertijos complejos? ¿Es práctica o nacen genios?
- En términos simples, ¿qué es la complejidad del tiempo amortizado?
- ¿Alguna vez tiene que programar sus propias estructuras de datos para una programación competitiva?
