Binary 朴素贝叶斯:观测变量的异构CPD
我正在使用一个朴素贝叶斯模型进行二元分类,使用离散变量和连续变量的组合。我的问题是,我可以对连续和离散观测变量使用不同的条件概率分布(CPD)函数吗? 例如,我对连续变量使用高斯CPD,对离散变量使用确定性CPDBinary 朴素贝叶斯:观测变量的异构CPD,binary,classification,probability,naivebayes,Binary,Classification,Probability,Naivebayes,我正在使用一个朴素贝叶斯模型进行二元分类,使用离散变量和连续变量的组合。我的问题是,我可以对连续和离散观测变量使用不同的条件概率分布(CPD)函数吗? 例如,我对连续变量使用高斯CPD,对离散变量使用确定性CPD 谢谢是的,在同一个模型中混合连续变量和离散变量是正常的。考虑下面的例子。 假设我有两个随机变量: 今天的温度是多少 D-一周中的某一天 注T是连续的,D是离散的。假设我想预测John是否会去海滩,由二元变量B表示。然后我可以建立我的推论如下,假设T和D在给定B的情况下是条件独立的
谢谢是的,在同一个模型中混合连续变量和离散变量是正常的。考虑下面的例子。 假设我有两个随机变量:
- 今天的温度是多少
- D-一周中的某一天
p(T|B) • p(D|B) • p(B)
p(B|T,D) = ━━━━━━━━━━━━ ∝ p(T|B) • p(D|B) • p(B)
p(T) • p(D)
p(T | B)可以是高斯分布,p(D | B)可以是离散分布,p(B)可以是关于约翰多久去一次海滩的离散先验值。是的。在公式推导过程中,并没有假设cpd是相同的。至于结合连续和离散,一个传统的滥用符号是假装概率密度是概率;这是通过假装在每个p(x | C)旁边都有一个dx来证明的。谢谢你,蒂莫西。这回答了我的问题!!