7.7 閱讀材料

• 貝葉斯決策論在機器學習，模式識別等諸多關注數據分析的領域都有著極為重要的地位，對貝葉斯定理進行近似求解，為機器學習算法的涉及提供了一種有效的途徑，為了避免貝葉斯定理求解的時候面臨的組合爆炸，樣本稀疏問題。樸素貝葉斯分類器引入了屬性條件獨立性假設，這個假設在現實應用中往往難以成立，但有趣的是，樸素貝葉斯分類器在很多情形下都能得到相當好的性能，一種解釋是：只需要各類別的條件概率排序正確，無需精準的概率值就可以導致正確分類的結果。另一種解釋是：若屬性之間的依賴對所有類別影響相同的時候，或者依賴關系的影響能夠相互的抵消，則屬性條件獨立性假設在降低計算開銷的同時不會對性能產生負面影響。樸素貝葉斯分類器在信息檢索尤為常用，McCallum and igam在對文本分類中的兩種常見方法進行了比較
• 根據對屬性間依賴的涉及程度，貝葉斯分類器形成了一個“譜”：樸素貝葉斯分類器不考慮屬性間依賴性，貝葉斯網能夠表示任意屬性間的依賴性，二者分別位于譜的兩端；介于兩者之間的則是一系列半樸素貝葉斯分類器，它們基于各種假設和約束來對屬性間的部分依賴性進行建模，一般認為，半樸素貝葉斯分類器的研究始于Kononenko，1991.ODE僅僅考慮一個父屬性，由此形成了獨依賴分類器，如TAN,AODE,LBR等；kDE則考慮最多依賴K個父屬性，由此形成了K依賴分類器如KDB,NBtree
• 貝葉斯分類器與一般意義上的貝葉斯學習有著明顯的區別，前者是通過最大后驗概率進行單點估計，后者則是進行分布估計
• 貝葉斯網為不確定學習和推斷提供了基本的框架，因其強大的表示能力，良好的可解釋性而廣受關注。貝葉斯網學習則分為結構學習和參數學習兩個部分。參數學習通常較為簡單，而結構學習則被證明是NP難問題，人們為此提出了很多評分搜索方法，貝葉斯網通常被看作是生成式模型，但近年來，也有很多關于貝葉斯網絡判別式學習的研究。貝葉斯網是經典的概率圖模型，J.Pearl因為這方面的卓越貢獻在2011年獲得圖靈獎
• EM算法是最常見的隱變量估計方法，在機器學習中有著廣發的用途，例如常常被用來學習高斯混合模型（GMM）的參數，9.4節將會學到的K均值聚類算法就是一個典型的EM算法、
• 本章介紹的樸素貝葉斯算法和EM算法均曾入選“數據挖掘十大算法”，還包括C4.5，CART決策樹，支持向量機，以及AdaBoost，K均值聚類，K近鄰算法

總結

以上是生活随笔為你收集整理的7.7 阅读材料的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。