分类---概率生成模型
Posted terrypython
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了分类---概率生成模型相关的知识,希望对你有一定的参考价值。
一 分类概述
二 分类实例
现在我们以宝可梦为例,宝可梦共有18中属性,如下:
上边的宝可梦输入是形象化的表示,我们应该讲宝可梦以计算机可以识别的数值进行输入
那么可能我们会问,为什么我们要预测宝可梦的类型呢,这是因为不同类型的宝可梦相遇时,他们是有属性相克的关系。
那么如何分类呢?我们之前提到过regression,可能会有人会按照regression的思路进行分类。
如果你按照上边的方式进行,你会遇到如下问题
那么我们应该怎么做呢?
本次不采用Perceptron 与 SVM,用另一种方式解决这个问题。
引子:
由上边可以延伸出
先算p(c1)与p(c2),这一部分叫做prior。
接着算p(x | c1),如下:
下边简单的介绍高斯分布
那么怎么找到这个高斯分布呢?---->使用Maximum Likelihood
现在我们算我们实例的真正结果
有了上述结果,我们就可以分类了,分类依据如下
真实结果:从左至右,从上往下,第一张图是water 和normal 宝可梦的分布,第二张图是分类结果,第三个是在测试集上的分类结果,其中正确率只有47%,我们增加特征值,考虑7个维度的特征,最后结果的正确率也只有54%
这时候我们就应该将model优化
优化后的model结果如下:考虑7个特征,分类准确率由之前的54%上升到73%,确实性能优化。
现在我们回顾整个的思路
可能会有人问,为什么选高斯分布呢,当然也可以选择其他的分布
后验概率
补充一些高数知识
将sigmoid简化
最后可能会有这样的疑惑,在generative model里面,我们找到N1,N2,u1,u2,∑,得到w和b,然后就可以算概率。为什么我们不直接得到w和b呢?---->logistics regression会讲直接得到w 和b。
参考:http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2016/Lecture/Classification%20(v3).pdf
以上是关于分类---概率生成模型的主要内容,如果未能解决你的问题,请参考以下文章
机器学习入门系列05,Classification: Probabilistic Generative Model(分类:概率生成模型)