贝叶斯学习--------三种常用模型

三种常用的模型：多项式模型；高斯模型；伯努利模型
小白写文章，若有不对的地方，请在评论区指出，谢谢

（1）多项式模型

当特征是离散的时候，使用多项式模型，但会做一些平滑处理

Q：为什么要做平滑处理

A：就是在计算实例的概率时，如果某个量x，在观察样本库（训练集）中没有出现 过，会导致整个实例的概率结果是0。显然这是不合理的，不能因为一个事件没有观察到就判断该事件的概率是0。

例如 ：p(x1|c1)= n1 / n 若n1==0,则概率为0,用拉普拉斯平滑，修改成 p(x1|c1)= (n1 + 1) / (n + N)

p(x|y)= ( Num(x,y) + alpha ) / (Num(y)+n* alpha)

n是特征的维数，当alpha=1时，称作Laplace平滑，当0<alpha<1时，称作Lidstone平滑，alpha=0时不做平滑。

（2） 高斯模型

当特征是连续变量的时候，使用高斯模型。高斯模型假设每一维特征都服从高斯分布（正态分布）

当特征是连续变量时，假设某些特征是正态分布，通过样本计算出均值和方差，得到正态分布的概率密度函数。有了概率密度函数，就能算出某一点的概率密度，从而得到概率。

（3）伯努利模型

伯努利模型适用于离散特征的情况，与多项式模型不同的是，伯努利模型中的每个特征值只有0,1,即，否与是。

标签：高斯,特征,多项式,模型,贝叶斯,三种,alpha,伯努利
来源： https://blog.csdn.net/liuliuliuliu666/article/details/101097803