機器學習系列（2）：logistic回歸，貝葉斯（bayes）方法

來源：懂視網責編：小采時間：2020-11-09 15:41:31

機器學習系列（2）：logistic回歸，貝葉斯（bayes）方法

機器學習系列（2）：logistic回歸，貝葉斯（bayes）方法:前言：這章主要介紹logistic回歸和bayes法。兩者都屬分類，前者引入了logistic函數，后者引入了貝葉斯定理，都是比較基礎的數學知識。但是logistic無需先驗的訓練樣本，后者需要。貝葉斯法很強大，很多郵件、網頁篩選都有用到，這里只介紹樸素bayes法

推薦度：

點擊下載本文 文檔為doc格式

導讀機器學習系列（2）：logistic回歸，貝葉斯（bayes）方法:前言：這章主要介紹logistic回歸和bayes法。兩者都屬分類，前者引入了logistic函數，后者引入了貝葉斯定理，都是比較基礎的數學知識。但是logistic無需先驗的訓練樣本，后者需要。貝葉斯法很強大，很多郵件、網頁篩選都有用到，這里只介紹樸素bayes法

前言：這章主要介紹logistic回歸和bayes法。兩者都屬分類，前者引入了logistic函數，后者引入了貝葉斯定理，都是比較基礎的數學知識。但是logistic無需先驗的訓練樣本，后者需要。貝葉斯法很強大，很多郵件、網頁篩選都有用到，這里只介紹樸素bayes法。理

前言：這章主要介紹logistic回歸和bayes法。兩者都屬分類，前者引入了logistic函數，后者引入了貝葉斯定理，都是比較基礎的數學知識。

但是logistic無需先驗的訓練樣本，后者需要。

貝葉斯法很強大，很多郵件、網頁篩選都有用到，這里只介紹樸素bayes法。理解其關鍵在于應用中條件概率的提取。

引用《機器學習》上的一句話：

“在特定前提下，任一學習算法如果使輸出的假設預測和訓練數據之間的誤差平方最小化，它將輸出一極大似然假設。”

正文：