Algorithm 朴素贝叶斯分类器，解释模型拟合和预测算法_Algorithm_Machine Learning

Algorithm 朴素贝叶斯分类器，解释模型拟合和预测算法

algorithm machine-learning

Algorithm 朴素贝叶斯分类器，解释模型拟合和预测算法,algorithm,machine-learning,Algorithm,Machine Learning,我有下面两个方程，它们与朴素贝叶斯分类器的模型拟合和预测算法有关我试图理解算法3.2的第6行在做什么。我认为它试图通过使用log-sum-exp技巧使数字变得“更好”，我仍然不完全理解这一点。有人能概述一下为什么要这样做吗？具体来说，logsumexp（Li，：）的参数是什么意思 logsumexp(Li,:) 还有谁能告诉我算法3.1第8行中的两个值的用途？它们基本上是算法3.2中的Lic的初始偏移/偏差吗《机器学习》一书的作者凯文·p·墨菲（Kevin p.Murphy）请参见下

我有下面两个方程，它们与朴素贝叶斯分类器的模型拟合和预测算法有关

我试图理解算法3.2的第6行在做什么。我认为它试图通过使用log-sum-exp技巧使数字变得“更好”，我仍然不完全理解这一点。有人能概述一下为什么要这样做吗？具体来说，logsumexp（Li，：）的参数是什么意思

_i,:

还有谁能告诉我算法3.1第8行中的两个值的用途？它们基本上是算法3.2中的
```
Lic
```
的初始偏移/偏差吗

《机器学习》一书的作者凯文·p·墨菲（Kevin p.Murphy）

请参见下文。如果你想了解更多有关数学的细节，你最好在网上发布

有人能概述一下为什么要/需要使用log sum exp技巧吗

这是为了数值稳定性。如果您搜索“logsumexp”，您将看到几个有用的解释。例如，和。从本质上讲，该程序避免了太大/太小的数字可能出现的数值错误

具体来说，李：的论点是

表示获取第i行，而

：

表示获取该行的所有值。因此，总的来说，Li：：表示L的第i行。冒号

：

用于（及其开源派生的倍频程）表示在为向量或矩阵下标时的“所有索引”

有人能告诉我算法3.1第8行中的两个值的用途吗

这是C类在培训示例中出现的频率

添加一个帽子表示该频率将被用作C类在总体中出现的概率的估计值。根据朴素贝叶斯，我们可以将这些概率视为先验

同样地

当你将注意力限制在C类时，对第j个特征出现的概率的估计。这些是条件概率：p（j | C）=看到给定C类特征j的概率——朴素贝叶斯中的朴素意味着我们假设它们是独立的

注意：为了清晰/方便阐述，您的问题中的引文已稍作修改

编辑以回复您的评论

李：是一个向量
```
N
```
是培训示例的编号
```
D
```
是数据的维度，即特征的数量（每个特征是矩阵
```
x
```
中的一列，其行是训练示例）
李是什么？每个Li，c看起来像：c类的先验值乘以所有P（i | c）的乘积，即看到特征的条件概率的乘积，例如给定的c类。请注意，向量Li中只有两个条目，：，每个类对应一个条目（它是二进制分类，因此只有两个类）

使用Bayes定理，Li：：的条目可以被解释为c类训练示例i的相对条件概率的日志，给定i的特征（实际上它们不是相对概率，因为它们都需要除以相同的常数，但我们可以安全地忽略）

我不确定算法3.2的第6行。如果您需要做的只是找出您的培训示例属于哪个类，那么在我看来，省略第6行就足够了，对于第7行，使用

argmax

c Lic。也许作者之所以包括第6行是因为pic有特殊的解释？