带有矩阵的简单贝叶斯朴素分类器示例答案

【问题标题】：Example for Simple Bayes Naive Classifier with matrices带有矩阵的简单贝叶斯朴素分类器示例
【发布时间】：2014-02-22 16:23:13
【问题描述】：

我明白了一般公式：

P(i | x) =  (p(i)p(x|i))/(sum(p(j)(p(x|j))

但是我不能成功地将它应用到这个练习中：

考虑两个类 X1 = {(0,0)} 和 X2 = {(1,0), (0,1)} 的数据集。朴素贝叶斯分类器将为特征向量 (0,0) 产生哪些分类概率？

我不明白在这种情况下 p(1) 和 p((0,0)|1) 会是什么。

【问题讨论】：

有很多解释朴素贝叶斯分类器的书籍和教程。你为什么不阅读专业老师的解释，而不是期待一些随机的互联网用户向你解释你的作业？
因为所有书籍和“专业教师给出的解释”都使用不同的案例，例如现实世界的案例（疾病、垃圾邮件）。我无法将其应用于此矩阵示例。
我实际上同意这个问题写得不是很好。我猜 X1 是类别 1 的训练样本，X2 是类别 2 的样本。这使得 p(1) 成为类别 1 的先验概率，而 p((0,0)|1) 成为可能性。我猜这应该有一个作业标签
您的问题中没有矩阵。 X1 包含一个示例(x,y)：(0,0) 和X2 包含两个训练示例。我看到包含 2 个类（X1 和 X2）、总共 3 个实例和 2 个属性的训练数据。我不得不同意这个问题使用的语法与大多数书籍不同，但那又怎样。我会再次在答案中使用不同的语法。
这不是家庭作业，我正在准备考试，这是作为解决方案的示例 p(1 | (0,0)) = 2/3 ..我只是想弄清楚如何得到这个答案

【解决方案1】：

朴素贝叶斯分类器不是贝叶斯公式！这是两个完全不同的概念！

【讨论】：

并非如此。朴素贝叶斯分类器归结为计算贝叶斯公式几次，然后选择最大值。
是的，它用于朴素贝叶斯计算，但它只是一个简单的计算工具，而不是像朴素贝叶斯本身那样的概率模型。这是两个不同的概念公式和模型。就像我使用薛定谔方程计算氢原子光谱一样：我正在求解一个微分方程，但我用于求解的工具（无论是什么数学工具）并不是我正在求解的模型。