MATLAB'的解释；s NaiveBayses'；后'；功能

在我们创建了一个朴素的贝叶斯分类器对象

nb

（例如，具有多元多项式（

mvmn

）分布）之后，我们可以使用

nb

对象对测试数据调用

后验

函数。此函数有3个输出参数：

[术后，cpre，logp]=后（nb，试验）

我了解如何计算

post

，其含义也是

cpre

是基于每个类别的最大后验概率的预测类别

问题是关于

logp

。很清楚它是如何计算的（测试中每个模式的PDF的对数），但我不理解这个度量的含义，以及它如何在Naive Bayes过程中使用。对此，我们非常感激

---

谢谢。

您所指的

logp

是，这是衡量模型适合程度的一种方法。我们使用日志概率来防止计算机在非常小的浮点数上下溢，这也是因为加法比乘法快

如果您使用不同的起点多次学习分类器，您将得到不同的结果，因为似然函数不是对数凹函数，这意味着您将陷入局部极大值。如果您根据原始数据计算后验概率，您将得到模型的概率。尽管可能性可以很好地衡量一组参数与另一组参数的匹配程度，但需要注意的是，您没有这样做

在您的例子中，您正在计算一些未观测（测试）数据的可能性，这让您了解所学习的分类器在数据上的拟合程度。如果您试图根据测试集学习此模型，您将根据最高测试可能性选择参数；然而，一般来说，当你这样做的时候，最好使用一个。你在这里做的是计算

---

对数似然的计算不限于朴素贝叶斯分类器，事实上，它可以针对任何贝叶斯模型（高斯混合、潜在狄利克雷分配等）进行计算。

您所指的

logp

是，这是衡量模型拟合程度的一种方法。我们使用日志概率来防止计算机在非常小的浮点数上下溢，这也是因为加法比乘法快

如果您使用不同的起点多次学习分类器，您将得到不同的结果，因为似然函数不是对数凹函数，这意味着您将陷入局部极大值。如果您根据原始数据计算后验概率，您将得到模型的概率。尽管可能性可以很好地衡量一组参数与另一组参数的匹配程度，但需要注意的是，您没有这样做

在您的例子中，您正在计算一些未观测（测试）数据的可能性，这让您了解所学习的分类器在数据上的拟合程度。如果您试图根据测试集学习此模型，您将根据最高测试可能性选择参数；然而，一般来说，当你这样做的时候，最好使用一个。你在这里做的是计算

---

对数似然的计算不限于朴素贝叶斯分类器，事实上，它可以针对任何贝叶斯模型（高斯混合、潜在狄利克雷分配等）进行计算。

谢谢您的回答。由于每个测试点的PDF在[0,1]范围内，因此

logp

将在（-无穷大，0）范围内。据我所知，此度量值（logp）越高我们的拟合分类器更好地预测新模式。正确吗？根据所有后验概率的最大值选择预测类也是正确的吗？或者我们在这种情况下也使用日志？感谢

logp

如果你有这样的东西，它可以是正的。PDF只集成到1，它可以评估为更大的than 1.你在这里做的是计算。谢谢，链接非常有用。因此，简单地说，如果我们观察新的数据点

logp=x

，我们能从这个

x

值做出任何推断吗？或者我们只能说与其他点相比的一些相关信息吗？例如，如果x是大负值，接近零或大正值Ve你通常计算一整组数据的可能性，而不仅仅是一个点。对于一个点来说，这是毫无意义的，除非在混合模型中，你想计算哪种混合成分最有可能产生它。嗯……这实际上是最初的问题……Matlab文档解释：[POST，CPRE，LOGP]=后验（NB，TEST）返回LOGP，一个N×1%的向量，包含概率密度%函数（PDF）的对数估计值。LOGP（I）是点I的PDF的对数。点I的PDF%值是%%Prob（点I |类J）*Pr{class J}的和%%接管了所有课程。感谢您的回答。由于每个测试点的PDF在[0,1]范围内，因此

logp

将处于（-无穷大，0）。据我所知，此度量值（logp）越高我们的拟合分类器更好地预测新模式。正确吗？根据所有后验概率的最大值选择预测类也是正确的吗？或者我们在这种情况下也使用日志？感谢

logp

如果你有这样的东西，它可以是正的。PDF只集成到1，它可以评估为更大的than 1.你在这里做的是计算。谢谢，链接非常有用。因此，简单地说，如果我们观察新的数据点

logp=x

，我们能从这个

x

值做出任何推断吗？或者我们只能说与其他点相比的一些相关信息吗？例如，如果x是大负值，接近零或大正值你通常计算一个整体的可能性