machine learning 機(jī)器學(xué)習(xí)_第1頁
machine learning 機(jī)器學(xué)習(xí)_第2頁
machine learning 機(jī)器學(xué)習(xí)_第3頁
machine learning 機(jī)器學(xué)習(xí)_第4頁
machine learning 機(jī)器學(xué)習(xí)_第5頁
已閱讀5頁，還剩6頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、 Outlook = sunny, Temperature = cool, Humidity = high,Wind = strong Target value = yes or no? P(vj : 不同目標(biāo)值的概率 P(Play Tennis = yes = 9/14 = .64 P(Play Tennis = no = 5/14 = .36 P(aj|vj : 條件概率 P(Wind = strong | Play Tennis = yes = 3/9 = .33 P(Wind = strong | Play Tennis = no = 3/5 = .60 P(yesP(sunny|ye

2、sP(cool|yesP(high|yesP(strong|yes=0.0053 P(no P(sunny|no P(cool|no P(high|no P(strong|no= .0206 vNB = no 貝葉斯信任網(wǎng)絡(luò)是一個概率圖模型，通過一個有向無環(huán)圖 表示一系列變量及其條件獨立關(guān)系 邊代表條件依賴，不連接的邊是條件獨立的，每條邊都和 一個概率函數(shù)有關(guān) 例：，噴泉如果開的，草地是濕的 概率是多少？ P(W|S = P(W|R, S P(R|S + P(W|R, SP(R|S = P(W|R, S P(R + P(W|R, S P(R = 0.95×0.4 + 0.9×0.6 = 0.92 數(shù)據(jù)挖掘?qū)д?Introduction to data mining / (美 Pang-Ning Tan, Michael Steinbach, Vipin Kumar 著; 范明, 范宏建等譯 eng Machine Learnin

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論