条件概率

Logistic 回归模型

二项Logistic回归模型将线性回归函数和Logistic函数复合起来，称为逻辑回归函数，二项Logistic回归模型是一种分类模型，二项Logistic回归模型是如下的条件概率分布：其中，是输入，是输出
shenghaishxt·2024-01-08 01:51

第一部分 随机事件和概率

目录无放回题目(一次摸多个)方法：例1有放回题目(进行多次，每次情况一致)方法：例2事件的概率方法：例3条件概率方法：例4全概率公式方法：例5贝叶斯公式方法：例6无放回题目(一次摸多个)方法：a!
星与星熙.·2024-01-06 23:44

【Math】先验分布、后验分布、贝叶斯公式 （Prior Distribution Posterior Distribution and Bayesian Formula）

Math】先验分布、后验分布、贝叶斯公式（PriorDistributionPosteriorDistributionandBayesianFormula）为了进行贝叶斯公式的简单推导，在推导之前先介绍条件概率
木心·2024-01-06 00:51

贝叶斯学习

条件概率条件概率是带有某些（前提条件）背景约束的概率问题。通常条件概率的记号是p(A|B)表示在给定的条件B下，A事件发生的概率。联合概率联合概率是指两个事件同时发生的概率。
woniuxia·2024-01-03 12:19

深度学习——DDPM

(x_t|x_{t-1})q(xt∣xt−1)后验概率：指在得到“结果”的信息后重新修正的概率,是“执果寻因”问题中的“因",如p(xt−1∣xt)p(x_{t-1}|x_t)p(xt−1∣xt)2、条件概率
千禧皓月·2024-01-02 06:39

明确先验概率，后验概率

（是在没有给出数据集前对结果的估计）后验概率事件发生后求的反向条件概率；或者说，基于先验概率求得的反向条件概率。概率形式与条件概率相同。
今天我刷leetcode了吗·2024-01-02 04:13

朴素贝叶斯（NBM，Naive Bayesian Model）, NB 算法 简介

条件概率-P(B|A)事件B在事件A发生的情况下的概率先验概率-P(A),P(B)后验概率-P(A|B)已知B发生后A的条件概率P(A∣B)是在观测到事件B后发生事件A的概
草明·2023-12-31 10:34

【机器学习合集】深度生成模型 -＞（个人学习记录笔记）

深度生成模型深度生成模型基础1.监督学习与无监督学习1.1监督学习定义在真值标签Y的指导下，学习一个映射函数F，使得F(X)=Y判别模型DiscriminativeModel，即判别式模型，又称为条件模型，或条件概率模型生成模型
slience_me·2023-12-31 06:41

第五章 概率与概率分布

重点总结：事件A发生的概率：P（A）条件概率：事件B发生条件下事件A发生的条件概率。
热爱生活的五柒·2023-12-30 20:31

概率论相关题型

文章目录概率论的基本概念放杯子问题条件概率与重要公式的结合独立的运用随机变量以及分布离散随机变量的分布函数特点连续随机变量的分布函数在某一点的值为0正态分布标准化随机变量函数的分布多维随机变量以及分布条件概率
JNU freshman·2023-12-29 19:55

机器学习三要素与拟合问题

模型通常分为决策函数或条件概率分布。由决策函数表示的
小森( ﹡ˆoˆ﹡ )·2023-12-29 12:19

Beam Search学习

也就是说，每一个时间步，模型给出的都是基于历史生成结果的条件概率。为了生成完整的句子，需要一个称为解码的额外动作来融合模型多个时间步的输出，而且使得最终得到的序列的每一步条件概率连乘起来最大。
银晗·2023-12-27 13:28

统计学习方法（一）生成模型与判别模型

生成方法由数据学习联合概率分布，然后求出条件概率分布作为预测模型，即生成模型：这样的方法之所以被称为生成方法，是因为模型表示了给定输入产生输出的生成关系。典型的生成模型有：朴素贝叶斯和隐马尔科夫模型。
shijiatongxue·2023-12-26 16:23

朴素贝叶斯

贝叶斯算法是一类算法，这是一类以条件概率的计算为核心进行分类的算法，而朴素贝叶斯算法是其中最简单的概率分类器。
南太湖小蚂蚁·2023-12-26 15:39

GPT每预测一个token就要调用一次模型

不久以前我以为是调用一次通过看代码是输出多少个token就调用多少次，如图所示：我理解为分类模型预测下一个token可以理解为分类模型，类别是vocab的所有token，每一次调用都是在分类为什么不能一次输出呢从数学维度来讲，本质是条件概率
Takoony·2023-12-26 05:40

【AI】数学基础——数理统计（概念&参数估计）

3.6.2基本定理大数定理马尔科夫不等式切比雪夫不等式中心极限定理3.6.3统计推断的基本问题3.7参数估计3.7.1频率派点估计法矩阵估计法极大似然估计点估计量的评估区间估计3.7.2贝叶斯派贝叶斯定理条件概率独立性变式贝叶斯公式贝叶斯定理贝叶斯定理计算概率贝叶斯估计贝叶斯预测模型比较理论实例
AmosTian·2023-12-25 01:17

为什么机器学习能够比我们懂得更多

图片发自App贝叶斯公式，在大学数学有接触过，我们用它来计算条件概率，如医学诊断的检测结果是阳性时真正患某病的可能性。但我们并没有意识到这个美妙公式背后蕴含的智慧，及其在机器学习领域越来越重要的地位。
东方欲晓_253c·2023-12-24 08:48

sk-learn实例-用朴素贝叶斯算法（Naive Bayes）对文本进行分类

抽象一些的说，朴素贝叶斯分类器会单独考量每一维度特征被分类的条件概率，进而综合这些概率并对其所在的特征向量做出分类预测。
张大千09·2023-12-23 23:35

模式识别 第二章 统计决策方法 贝叶斯决策理论

卢晓春模式识别引论mathjax:truetags:[MachineLearning]卢晓春模式识别引论第二章统计决策方法贝叶斯决策理论先验概率=已知的类别的概率，如二分类P(w_1)+P(w_2)=1类条件概率密度函数
gb_QA_log·2023-12-23 16:03

Decision tree(决策树)算法初探

(二分类思想的算法模型往往都是树形结构)0x1：决策树模型的不同角度理解在分类问题中，表示基于特征对实例进行分类的过程，它可以被看作是if-then的规则集合；也可以被认为是定义在特征空间与类空间上的条件概率分布
weixin_30426957·2023-12-22 22:20

第一章：马尔科夫决策过程（不可能看不懂）

涉及部分理论知识以及公式，但是难度并不大，需要回顾一下简单的概率论知识，例如条件概率等。二、马尔可夫决策过程马尔科夫决策过程是强化学习的基本问题之一，其涉及
代码kobe·2023-12-22 19:28

贝叶斯公式

1.基本概念贝叶斯公式是概率论中的一个重要公式，它描述了两个条件概率之间的关系。
翔云123456·2023-12-22 18:21

大数据深度学习朴素贝叶斯深度解码：从原理到深度学习应用

大数据深度学习朴素贝叶斯深度解码：从原理到深度学习应用文章目录大数据深度学习朴素贝叶斯深度解码：从原理到深度学习应用一、简介贝叶斯定理的历史和重要性定义例子朴素贝叶斯分类器的应用场景定义例子常见应用场景二、贝叶斯定理基础条件概率定义例子贝叶斯公式定义例子三
星川皆无恙·2023-12-22 15:29

机器学习算法--朴素贝叶斯(Naive Bayes)

什么是条件概率，我们从一个摸球的例子来理解。
小森( ﹡ˆoˆ﹡ )·2023-12-21 00:51

机器学习之朴素贝叶斯（Naive Bayes）附代码

贝叶斯定理：在贝叶斯定理中，我们通过先验概率和条件概率来计算后验概率。对于分类问题，朴素贝叶斯
贾斯汀玛尔斯·2023-12-20 21:42

二战周志华《机器学习》--马尔可夫随机场

在开始这篇文章之前，我想先介绍一下马尔可夫性：当一个随机过程在给定现在状态及所有过去状态情况下，其未来状态的条件概率分布仅依赖于当前状态；换句话说，在给定现在状态时，它与过去状态（即该过程的历史路径）是条件独立的
城市中迷途小书童·2023-12-19 23:38

朴素贝叶斯

朴素贝叶斯朴素贝叶斯理论贝叶斯决策理论条件概率全概率公式贝叶斯公式朴素贝叶斯言论屏蔽新浪新闻分类朴素贝叶斯算法的优缺点朴素贝叶斯算法是一种基于贝叶斯定理的有监督的机器学习算法，解决的是分类问题，如文本分类
写进メ诗的结尾。·2023-12-19 06:49

2018-06-30

所以，只有懂得概率，并且懂得利用条件概率的人，才会成为那个被时代宠幸的人。你在对的时间里，做了对的事情。而这些决定性的东西，都是概率，或者称之为运气。这不是地域歧视。
与君共度时艰·2023-12-17 11:04

机器学习三大基本要素学习准则

一个好的模型(x,θ∗)应该在所有(,y)的可能取值上都与真实映射函数y=(x)一致，即或与真实条件概率分布p(|x)一致，即
白牛DATA·2023-12-17 04:04

条件概率密度

若对于固定的，有，则称为在条件下的的条件概率密度，记为：
听海边涛声·2023-12-16 23:01

条件概率公式、全概率公式、贝叶斯公式

条件概率公式设A、B为两个事件，为事件A发生的概率，为事件A和B同时发生的概率，并且，那么称为A事件发生的条件下事件B发生的条件概率。全概率公式其中，A为一个事件，为样本空间的一个划分。
听海边涛声·2023-12-06 17:28

[概率论]重生至期末考前一个月看我如何力挽狂澜（上）

目录第一章概率论的基本概念随机现象与随机事件频率与概率古典概型与几何概型条件概率和乘法定理全概率公式和贝叶斯公式独立性和伯努利概型第二章随机变量随机变量随机变量的分布函数离散型随机变量的分布函数连续型随机变量及其概率密度随机变量的函数的分布第三章随机向量二维随机变量边缘分布条件分布相互独立的随机变量两个随
Linyeji·2023-12-06 12:03

[PyTorch][chapter 5][李宏毅深度学习][Classification]

这里面简单了解一下，很少用目录：1：Generativemodel2:高斯分类器3:高斯分类器跟其它模型关系一Generativemodel朴素贝叶斯分类器：以二分类为例：不同类别:不同类别出现的概率，先验概率:条件概率
明朝百晓生·2023-12-06 12:54

贝叶斯网络 （人工智能期末复习）

文章目录贝叶斯网络（概率图模型）定义主要考点例题-要求画出贝叶斯网络图-计算各节点的条件概率表-计算概率-分析独立性贝叶斯网络（概率图模型）定义一种简单的用于表示变量之间条件独立性的有向无环图（DAG）
倒杯Whisky·2023-12-04 23:39

训练贝叶斯头脑

贝叶斯推理本质上是条件概率的变形：已知如果A则B，那么反过来求解B则A的概率。
平静的力量·2023-12-03 23:13

概率论与数理统计常用公式大全

文章目录事件的关系与运算概率的基本性质条件概率相关公式常用分布离散型分布0-1分布B(1,p)B(1,p)B(1,p)二项分布B(n,p)B(n,p)B(n,p)泊松分布P(λ)P(\lambda)P(
iioSnail·2023-12-03 19:01

学习计划

1、完成《mysql必知必会》学习2、条件概率，贝叶斯公式，相关独立，几何分布，泊松分布，正态分布，统计抽样，估计，置信区间，假设检验。
黏小莲·2023-12-03 15:21

IDP课程-L10 犹豫不决？学会在复杂的情境下做理性决策

L9为实操课，简单实操摘要：小记录一、如何在复杂的情境下做判断决策1、贝叶斯定理最初是用来计算随机事件A和B的条件概率的，即计算在新事件B发生的情况下事件A发生的可能性。
喜欢絮叨的爱美丽·2023-12-03 09:17

一个列子理解 联合概率 边际概率 条件概率

列联表理解联合概率、边际概率与条件概率从列联表开始。列联表是常见的用于描述类别变量间关系的形式。
刮胡子·2023-12-02 05:59

有一种方法能帮你做出更正确的选择

从推理本质上讲是条件概率的变形：已知如果A则B，那么反过来求解如果B则A的概率。
lm陈林敏·2023-12-01 01:23

论文速览【ML4CO】—— 【Ptr-Net】Pointer Networks

NIPS2015领域：深度学习解决组合优化问题(ML4CO)/序列模型（RNNseq2seq）改进【本文为速览笔记，仅记录核心思想，具体细节请看原文】摘要：我们引入了一种新的神经网络结构，用于学习一个输出序列的条件概率
云端FFF·2023-11-30 13:51

VAE模型及pytorch实现

VAE通过将输入数据映射到潜在空间中的分布，并在训练过程中最大化数据与潜在变量之间的条件概率来实现。其关键思想在于编码器将输入数据
Miracle Fan·2023-11-29 07:48

GLCM 灰度共生矩阵

共生矩阵方法用条件概率来
行走的参考文献·2023-11-27 21:18

干货来袭！！！3天0基础Python实战项目快速学会人工智能必学数学基础全套（含源码）（第1天）线性代数篇：矩阵、向量及python实战

第1天：线性代数篇：矩阵、向量、实战编程第2天：微积分篇：极限与导数、梯度下降、积分、实战编程第3天：概率分析篇：条件概率与全概率、贝叶斯公式、实战项目目录前言一、矩阵在AI中的应用二、矩阵基本知识及矩阵运算
小胡说人工智能·2023-11-26 12:36

【深度学习笔记】04 概率论基础

04概率论基础概率论公理联合概率条件概率贝叶斯定理边际化独立性期望和方差模拟投掷骰子的概率随投掷次数增加的变化概率论公理概率（probability）可以被认为是将集合映射到真实值的函数。
LiuXiaoli0720·2023-11-26 09:27

参数估计-最大似然估计和贝叶斯参数估计

我们利用训练样本来估计先验概率和条件概率密度，并以此设计分类器。当假设数据符合某种分布时，其参数均是未知的，此时分类模型是包含未知参数的概率模型，因此要对其进行参数估计。
于建民·2023-11-24 18:03

机器学习笔记06---极大似然估计

估计类条件概率的一种常用策略是先假定其具有某种确定的概率分布形式，再基于训练样本对概率分布的参数进行估计。
一件迷途小书童·2023-11-24 18:58

朴素贝叶斯中的极大似然估计

朴素贝叶斯需要先求得先验概率和条件概率。从直觉出发，可以用样本中出现的频率直接代替先验概率和条件概率。但事实上使用频率计算出来的值，也是极大似然估计的结果。
梵悟·2023-11-24 18:56

每周学点数学 3：概率论基础2

文章目录1.独立性与相关性2.条件概率与边缘概率3.大数定律与中心极限定理4.随机过程5.概率论的应用1.独立性与相关性独立性与相关性是在数据分析中非常重要的两个概念，它们之间存在一定的联系，但也有明显的区别
@作死星人·2023-11-24 07:41

机器学习（二）——贝叶斯分类器

文章目录1.贝叶斯决策论1.1贝叶斯判定准则1.2极大似然估计2.朴素贝叶斯分类器2.1拉普拉斯平滑2.2示例1.贝叶斯决策论核心：将最小化分类错误率转换为最大化先验概率和类条件概率（似然）的乘积。
冠long馨·2023-11-22 19:30
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他