WykÅad 3: Sieci Bayesa

More documents

Recommendations

Info

Zakładając, że zmienne niezależne faktycznie są niezależne, wyliczenie P(X|diabetes=1) wymaga obliczenia prawdopodobieństwa warunkowego wszystkich wartości dla X: Np. obliczenie P(BP=high|diabetes=1) wymaga znów obliczenia P(BP=high) i P(diabetes=1) co jest odpowiednio równe 4 i 9 zatem prawdopodobieństwo to wynosi 4/9:
Zatem: Mając już prawdopodobieństwa P(X|diabetes=1) i P(diabetes=1) można wyznaczyć iloczyn tych prawdopodobieństw:
Page 1 and 2:
Agnieszka Nowak - Brzezińska
Page 3 and 4:
Każdy obiekt traktowany jest jako
Page 5 and 6:
Klasyfikacja bayesowska, to metoda
Page 7 and 8:
Koncepcja sieci Bayesa wynika wpros
Page 9:
Wejście: • Rozważana populacja
Page 12 and 13:
Ze zbioru treningowego obliczamy: P
Page 14 and 15:
Thomas Bayes (ur. ok. 1702 w Londyn
Page 16:
Jeśli A i B są prostymi zdarzenia
Page 19 and 20:
Siecią Bayesa nazywamy skierowany
Page 21 and 22:
Pod pojęciem sieci Bayesowskiej ro
Page 23 and 24:
Rozkład prawdopodobieństw zapisuj
Page 25 and 26:
zdefiniowanie zmiennych, zdefiniowa
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 and 78: To spróbujmy ustalić jaka ona bę
Page 79: Tylko dla cech jakościowych Tylko
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
show all

WykÅad 3: Sieci Bayesa

Create successful ePaper yourself

Delete template?

Save as template?

WykÅad 3: Sieci Bayesa