WykÅad 3: Sieci Bayesa
WykÅad 3: Sieci Bayesa WykÅad 3: Sieci Bayesa
Dlatego ostatecznie powiemy, że Prawdopodobieństwo że kulka X jest zielona = prawdopodobieństwo kulki zielonej * prawdopodobieństwo, że kulka X jest zielona w swoim sąsiedztwie = Prawdopodobieństwo że kulka X jest czerwona = prawdopodobieństwo kulki czerwonej * prawdopodobieństwo, że kulka X jest czerwona w swoim sąsiedztwie = Ostatecznie klasyfikujemy nową kulkę X do klasy kulek czerwonych, ponieważ ta klasa dostarcza nam większego prawdopodobieństwa posteriori.
Tylko dla cech jakościowych Tylko dla dużych zbiorów danych
- Page 27 and 28: Przykład: jakie są szanse zdania
- Page 29 and 30: P(A) 0.20 P(D) 0.30 P(N) 0.20 A D P
- Page 31 and 32: Reguła łańcuchowa: z def. P(X 1
- Page 33 and 34: Prawdopodobieństwo Zaliczenia 74%
- Page 35 and 36: Jeśli się przygotowaliśmy, to ja
- Page 37 and 38: Dodajemy wierzchołki decyzyjne (Po
- Page 39 and 40: A - pogoda (słonecznie/pochmurno/d
- Page 41 and 42: A a1 0.25 a2 0.25 a3 0.25 a4 0.25 P
- Page 43 and 44: A a1 0.25 a2 0.25 a3 0.25 a4 0.25 P
- Page 45 and 46: Jakie są szanse zdania ustnego egz
- Page 47 and 48: Jak prawdopodobne jest zdanie egzam
- Page 55 and 56: SMILE Zestaw klas C++ implementują
- Page 57: Węzły bez poprzedników są opisa
- Page 66 and 67: Rozważmy osobę, która spędza sp
- Page 68 and 69: Otrzymane wyniki (kolor fioletowy n
- Page 70: Sieci bayesowskie - efektywne narz
- Page 75 and 76: Jeśli wiemy, że kulek czerwonych
- Page 77: To spróbujmy ustalić jaka ona bę
- Page 84 and 85: Zakładając, że zmienne niezależ
- Page 86 and 87: Teraz podobnie zrobimy w przypadku
- Page 88: Jakie będzie prawdopodobieństwo k
- Page 94 and 95: Wyznaczanie odległości obiektów:
- Page 96 and 97: Oblicz odległość punktu A o wsp
- Page 98: 1. porównanie wartości zmiennych
- Page 102 and 103: Mimo, że najbliższy dla naszego o
- Page 106: Znajdujemy więc k najbliższych s
- Page 117: Schemat algorytmu: Poszukaj obiekt
Tylko dla cech jakościowych<br />
Tylko dla dużych zbiorów danych