数据挖掘-贝叶斯定理
贝叶斯定理是统计学的一种分类的方法
最简单的贝叶斯分类方法称为朴素贝叶斯分类的方法
朴素贝叶斯法的一个重要条件是即一个属性值对分类的影响独立于其他属性值 也称为类条件独立性
p(H|X)=p(X|H)P(H)/P(X) 其中已经知道后者求前者，。即是后验=似然X先验/证据因子
朴素贝叶斯方法易于实现 ，而且在大多数的情况下能够获得较好的分类准确率。它的劣势在于它的条件独立性假设，如果数据之间各个属性之间有比较强的依赖关系，则不会取得好的结果。
如何处理属性之间的依赖关系呢?引入了贝叶斯信念网络
贝叶斯网络是一个有向无环图，图中的节点代表随机变量，可以对应于实际数据中的某一个属性。节点间的边代表变量之间的直接依赖的关系。
贝叶斯网络学习 ———–
贝叶斯网络中的变量可以是观测的，或隐藏在所有或某些训练的元组之中。隐藏数据的情况也称为缺失值或不完全数据。
版权声明：本文为fxd-address原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。