文档介绍：图形绘制图片处理图表设计典型案例**贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器西瓜程序1234ContentsPage目录页*图形绘制图片处理图表设计典型案例*TransitionPage过渡页*贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器西瓜程序1234图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*(Bayesiandecisiontheory)是概率框架下实施决策的基本方法。用p1(x,y)表示数据点(x,y)属于类别1(图中红色圆点表示的类别)的概率,用p2(x,y)表示数据点(x,y)属于类别2(图中蓝色三角形表示的类别)的概率,那么对于一个新数据点(x,y),可以用下面的规则来判断它的类别:如果p1(x,y)>p2(x,y),那么类别为1如果p1(x,y)<p2(x,y),那么类别为2贝叶斯决策理论核心思想:选择高概率对应的类别。图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*:1、条件概率:即B发生的情况下A发生的概率,用P(A|B)表示。图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*、全概率公式:如果A和A’构成样本空间的一个划分,那么事件B的概率,就等于A和A’的概率分别乘以B对这两个事件的条件概率之和。图形绘制朴素贝叶斯分类器半朴素贝叶斯分类器程序*:我们把P(A)称为”先验概率”(Priorprobability),即在B事件发生之前,我们对A事件概率的一个判断。    P(A|B)称为”后验概率”(Posteriorprobability),即在B事件发生之后,我们对A事件概率的重新评估。    P(B|A)/P(B)称为”可能性函数”(Likelyhood),这是一个调整因子,使得预估概率更接近真实概率。(x,y)和p2(x,y):如果p1(x,y)>p2(x,y),那么类别为1如果p1(x,y)<p2(x,y),那么类别为2p1,p2即为后验概率p1(c1|x,y),p2(c2|x,y)贝叶斯决策论图片处理半朴素贝叶斯分类器程序*(c|x)的主要困难在于:类条件概率P(x|c)是所有属性上的联合概率,较难估计。为了避开这个障碍,提出了朴素贝叶斯分类器(naïveBayesclassifier)“朴素”:采用属性条件独立性假设——假设用于分类的特征在类确定的条件下都是条件独立的。贝叶斯决策论图片处理半朴素贝叶斯分类器程序*