模型概率和朴素贝叶斯分类器

Bluemultipl

目录

 

概率论的很多内容都在之前的笔记中详细介绍了，这里我们只给出一些需要经常用到的知识点，以及需要特别注意加深认识的部分。

 

Sample Spaces

样本空间记为 \(\Omega\) ，其中包含了样本 \(\omega\) ，每一个事件就是样本点的集合。事件发生的概率 probability \(\Pr(A)\) 满足性质：

  • 非负性： \(P(A)\ge 0\)
  • 规范性： \(P(\Omega) = 1\)
  • 可列可加性：若 \(A_1,A_2,\cdots,A_n\) 两两互不相容，即 \(A_i\cap A_j=\empty\) ，则

\[P\left(\sum_{n=1}^{\infty}A_n\right) = \sum_{n=1}^{\infty}P\left(A_n\right) \]

样本空间当然可以是连续的，同时满足上面的性质。

 

随机变量 random variable \(X\) 是非常重要的概念，它是一个可测函数 \(X:\Lambda\to\Omega\) ，它将一个样本空间映到另一个样本空间。一般是映到 \(\Omega\sub\mathbb{R}\) ，为一个实数空间的子空间。我们不过多讨论可测函数的性质，如果有时间的话，会在实变函数或泛函分析的笔记中讨论。

 

古典概型中经常会见到用几何图形来说明概率关系的方法，同样的，样本空间既然是空间，自然也具有一定的几何特性。考虑两个随机变量构成的联合样本空间 joint sample space ，我们可以用平面点集来刻画事件。例如

\[A = \{(x,y)\in\Omega\ |\ 0.2\le c\le 0.5 \} \]

这样一来，就可以用集合的交、并等关系来计算概率。

 

Conditional Probability and Independence

考虑两个事件 \(A,B\) ，我们定义 \(B\) 给定时 \(A\) 的条件概率 conditional probability 为 \(\Pr(A|B)\) ，之前已经介绍过

\[\Pr(A|B) = \dfrac{\Pr(A\cap B)}{\Pr(B)},\quad \Pr(B)\neq 0 \]

方便起见，像之前一样将 \(\Pr(A\cap B)\) 简写为 \(\Pr(AB)\) 。

 

称事件 \(A,B\) 独立 independent 当且仅当

\[\Pr(A|B) = \Pr(A) \]

等价的关于 \(B\) 的公式也是类似的，也可以写成

\[\Pr(AB) = \Pr(A)\Pr(B) \]

也就是说它们互相不影响。对于两个随机变量 \(X,Y\) ，如果任何两个它们的事件都有这样的关系，则称它们独立。

 

Density Functions

在离散的情况下，我们可以定义随机变量在某一点的概率为 \(\Pr(X=k)\) ，但是对于连续随机变量就会出现概率为 \(0\) 的问题。接下来就要讨论连续随机变量的概率密度函数 probability density functions (pdfs) 和累积密度函数 cumulative density functions (cdfs) ，它们是将求和关系变为积分后得到的。

 

考虑连续样本空间 \(\Omega\) 和随机变量 \(X\) ，概率密度函数记为 \(f_X\) ，它由事件 \(A\sub\Omega\) 来定义

\[\Pr(X\in A) = \int_{\omega\in A} f_X(\omega)d\omega \]

即它在 \(A\) 上的积分是 \(A\) 的概率。一般情况下 \(f_X(\omega)\neq \Pr(X=\omega)\) ，这是由连续变量在单点为 \(0\) 导致的。

我们将 \(f_X\) 解释为似然函数 likelihood function ，它的值没有单位，但是可以与其它 \(\omega\) 处 \(f_X\) 的值比较可能性。

 

然后我们定义累积密度函数 \(F_X(t)\) ，它实际上就是分布函数，定义为

\[F_X(t) = \int_{\omega=-\infty}^t f_X(\omega)d\omega \]

可以看出，如果 \(F_X\) 可导，那么就可以定义 \(f_X\) 为它关于 \(\omega\) 的导数。

 

Expected Value

期望值我们已经非常熟悉，对于离散随机变量，它是每一样本概率和样本值乘积的和

\[E[X] = \sum_{\omega\in\Omega}\omega\Pr(X=\omega) \]

对于连续随机变量，就是积分形式

\[E[X] = \int_{\omega\in\Omega}\omega f_X(\omega)d\omega \]

期望值具有线性性质

\[E[X+Y] = E[X]+E[Y],\quad E[\alpha X]=\alpha E[X] \]

这意味着随机变量的线性组合总是可以拆开计算。

 

Variance

方差刻画了随机变量离开期望值的程度，定义为

\[Var[X] = E[(X-E[X])^2] = E[X^2]-E[X]^2 \]

上面右式是根据定义直接得到的，根据期望的线性性质就有

\[Var[\alpha X]=\alpha^2 Var[X] \]

注意到方差的量纲与随机变量和期望不同，所以有时会讨论标准差 standard deviation \(\sigma_X=\sqrt{Var[X]}\) 。

 

Joint, Marginal, and Conditional Distributions

考虑两个随机变量 \(X,Y\) 它们的联合密度函数 joint pdf 有形式 \(f_{X,Y}:\Omega_X\times\Omega_Y\to[0,\infty]\) ，对于离散随机变量

\[f_{X,Y}(x,y) = \Pr(X=x,Y=y) \]

边际密度函数 marginal pdf 定义为

\[f_X(x) = \sum_{y\in\Omega_Y}f_{X,Y}(x,y) \]

就是固定一个随机变量，然后对另一个随机变量密度求和。

 

在连续情形下，一般会先定义分布函数

\[F_{X,Y}(x,y) = \Pr(X\le x, Y\le y) \]

边际分布为

\[F_X(x) = \lim_{y\to\infty} F_{X,Y}(x,y) \]

当分布函数可微，就可以定义密度函数

\[f_{X,Y} = \dfrac{d^2F_{X,Y}}{dxdy} \]

边际密度就是

\[f_X(x) = \int_{y=-\infty}^\infty f_{X,Y}(x,y)dy \]

称 \(X,Y\) 独立若 \(f_{X,Y}(x,y)=f_X(x)f_Y(y)\) 恒成立。

 

最后介绍给定 \(Y=y\) 下 \(X\) 的条件分布 conditional distribution 为

\[f_{X|Y}(x|y) = \dfrac{f_{X,Y}(x,y)}{f_Y(y)},\quad f_Y(y)\neq 0 \]

它是密度函数的商，自身也是密度函数。

 

Bayes\' Rule

贝叶斯法则是建立似然函数的关键，在这里起到至关重要的作用。给定事件 \(M,D\) ，贝叶斯法则说明

\[\Pr(M|D) = \dfrac{\Pr(D|M)\Pr(M)}{\Pr(D)} \]

这实际上是条件概率的直接推论，不再赘述。我们更关注其本身的含义： \(D\) 给定时 \(M\) 的概率和 \(M\) 给定时 \(D\) 的概率。

 

为了加深理解，我们举一个例子：假设你购买了一辆汽车，你发现雨刮器坏了，此事件记为 \(W\) ；你知道汽车可能来自 \(A,B,C\) 三个工厂之一，并且有如下数据：你得知附近的汽车中来自各个工厂的概率分别为 \(\Pr(A),\Pr(B),\Pr(C)\) 。那么应该如何判断汽车最有可能来自哪家工厂呢？

显然，我们不能仅仅根据 \(\Pr(A),\Pr(B),\Pr(C)\) 来判断，因为不同工厂出现问题 \(W\) 的可能性不同。你调查得知，这几家工厂出现 \(W\) 事件的概率为

\[\Pr(W|A),\Pr(W|B),\Pr(W|C) \]

我们需要知道的实际上是 “已知 \(W\) 时它来自哪家工厂” ，因此应该计算

\[\Pr(A|W) = \dfrac{\Pr(W|A)\Pr(A)}{\Pr(W)},\quad \Pr(B|W) = \dfrac{\Pr(W|B)\Pr(B)}{\Pr(W)},\quad \Pr(C|W) = \dfrac{\Pr(W|C)\Pr(C)}{\Pr(W)} \]

注意到 \(\Pr(W)\) 是公共因子，因此可以忽略，只要比较上面乘积的大小关系就可以了。

 

Model Given Data

在数据分析中，上面的 \(M\) 表示模型 model 而 \(D\) 表示数据 data ，那么 \(\Pr(M|D)\) 为得到数据集 \(D\) 后，认为它符合模型 \(M\) 的概率。一个最大后验估计 maximum a posteriori (MAP) 是使得 \(\Pr(M|D)\) 最大的模型 \(M\in\Omega_M\) 。也就是说它实际上是在给定 \(D\) 后，最有可能符合 \(D\) 的模型。类似于之前的方法，计算

\[\max_{M\in\Omega_M}\Pr(M|D) = \max_{M\in\Omega_M}\dfrac{\Pr(D|M)\Pr(M)}{\Pr(D)} \]

由于 \(\Pr(D)\) 已经给定，并且一般认为不同的模型是等可能的，于是就只需要

\[L(M) = \Pr(D|M) \]

它称为模型 \(M\) 的似然 likelihood ，只需要使 \(L(M)\) 达到最大。

 

那么什么是模型和数据呢？一般来说，模型通常是生成数据的简单方法。有如下几种：

  • 模型 \(M\) 是 \(\mathbb{R}^d\) 中的点，而数据是 \(\mathbb{R}^d\) 中的点集，并且分布在 \(M\) 附近
  • 线性回归 linear regression ：模型 \(M\) 是 \(\mathbb{R}^2\) 中的线，数据是围绕在线 \(M\) 附近的点集
  • 聚类 clustering ：模型 \(M\) 是 \(\mathbb{R}^d\) 中的小点集，数据是 \(\mathbb{R}^d\) 中的大点集，并且分布在 \(M\) 附近
  • 线性分类 linear classification ：模型 \(M\) 是 \(\mathbb{R}^d\) 中的半空间，数据是标签点（标签为 \(+\) 或 \(-\) ），从而带有 \(+\) 的点大多在 \(M\) 中，而带有 \(-\) 的点大多不在 \(M\) 中

 

Log-likelihoods

计算似然的重要技巧是取后验的对数，因为对数单调递增，那么

\[\max_{M\in\Omega_M}\Pr(M|D)\quad\Leftrightarrow\quad \max_{M\in\Omega_M}\log(\Pr(M|D)) \]

并且能够将乘积关系转化为求和

\[\log(\prod_{i=1}^kP_i) = \sum_{i=1}^k\log(P_i) \]

这样就可以较为容易地操作。

同时，对数的底对于最大后验估计 MAP 没有影响，因为

\[\log_{b_1}(x) = \log_{b_2}(x)\cdot \log_{b_1}(b_2) \]

它们是常数倍数关系，这对最大似然估计 maximum likelihood estimate (MLE) 也是相同的。

 

Gaussian MLE

假设数据集 \(D=\{x_1,\cdots,x_n\},\ x_i\in\mathbb{R}\) ，模型空间为 \(\Omega_M\) ，每一个 \(\mathbb{R}\) 中的点 \(M\) 都是一个模型。如果假设每一个数据点都会受到相互独立的高斯噪声 Gaussian noise ，也就是说每个点会围绕模型 \(M\) 波动，则 pdf 为

\[g(x) = \dfrac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{(x-M)^2}{2\sigma^2}) \]

它是一个以 \(M\) 为期望， \(\sigma\) 为标准差的正态分布。于是

\[\Pr(D|M) = \prod_{x\in D}g(x) = \prod_{x\in D}\left(\dfrac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{(x-M)^2}{2\sigma^2})\right) \]

其中 \(\Pr(D|M)\) 就是每一数据点处概率的乘积，因为 \(D|M\) 表示 \(D\) 中元素分布在给定 \(M\) 附近，也就是要求每一元素都在 \(M\) 附近，它们的概率需要相乘，并且密度 \(g(x)\) 就是该点的概率（离散情形）。

应用对数就得到

\[\begin{aligned} \ln(\Pr(D|M)) &= \ln\left(\prod_{x\in D}\dfrac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{(x-M)^2}{2\sigma^2})\right)\\ &= -\sum_{x\in D}\frac{(x-M)^2}{2\sigma^2} + |D|\ln\left(\dfrac{1}{\sqrt{2\pi}\sigma}\right) \end{aligned} \]

我们要求极大似然，因此常数项可以忽略，就需要求和项最小。这是一个最小二乘问题，此时就有

\[M = E[D] = \dfrac{1}{|D|}\sum_{x\in D}x \]

也就是当 \(M\) 是 \(D\) 的期望时，达到最大估计。

 

Bayesian Inference

贝叶斯推断依赖贝叶斯法则的简单形式：

\[\Pr(M|D) \varpropto \Pr(D|M)\cdot\Pr(M) \]

符号 \(\varpropto\) 表示成比例 proportional to ，也就是两端是常数倍数关系。

但是，为了推广至连续随机变量，就需要用 pdfs 替换

\[\begin{matrix} p(M|D) & \varpropto & f(D|M) &\cdot & \pi(M)\\ \mathrm{posterior} & & \mathrm{likelihood} & & \mathrm{prior} \end{matrix} \]

给定一个固定的 \(M\) ，有可能计算似然 \(f(D|M)\) ；为了计算 \(p(M|D)\) ，就还需要通过 \(D\) 估计可能的模型 \(M\) 的概率。

 

Average Height

假设估计大学生的身高 \(H\) ，构建随机身高数据集 \(D=\{x_1,\cdots,x_n\}\) 。测量可能有误差，并且这只是部分数据，因此这些数据不一定可靠。我们考虑先验 \(\pi(M)\) ，我们查阅资料，得知成年人的期望身高 \(E_h\) 和标准差 \(\sigma\) ，于是假设

\[\pi(M) = \dfrac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{(\mu_M-E_h)^2}{2\sigma^2}) \]

其中用 \(\mu_M\) 表示模型点，估计概率满足在期望 \(E_h\) 附近的正态分布。

之前的例子中计算的结果有

\[f(D|M) = \prod_{x\in D}\left(\dfrac{1}{\sqrt{2\pi}\sigma_1}\exp(-\frac{(x-\mu_M)^2}{2\sigma_1^2})\right) \]

其中 \(\mu_M\) 仍然为模型点，而 \(\sigma_1\) 是假定的噪声。根据

\[p(M|D) \varpropto f(D|M)\cdot \pi(M) \]

两边取对数得到

\[\begin{aligned} \ln(p(M|D)) &\varpropto \ln(f(D|M)) + \ln(\pi(M))\\ &\varpropto -\sum_{x\in D}\frac{(\mu_M-x)^2}{2\sigma_1^2} -\frac{(\mu_M-E_h)^2}{2\sigma^2} + C \end{aligned} \]

其中 \(C\) 为常数，这样我们需要找到 \(\mu_M\) 来让右边两项最大。

这里两项分别代表数据集和先验数据。在不改变结果的情况下，同乘 \(2\sigma^2\) 得到

\[-\left(\frac{\sigma}{\sigma_1}\right)^2\sum_{x\in D}(\mu_M-x)^2 - (\mu_M-E_h)^2 \]

也就是说，数据集和先验数据哪个更加重要取决于 \(\sigma/\sigma_1\) ，在先验标准差 \(\sigma\) 不变时，测量噪声 \(\sigma_1\) 越小，测量数据越多，数据集越有参考价值；这也符合我们的一般认知。

 

Weigthed Average

给定 \(x_1,\cdots,x_n\) 以及对应的权 weights \(w_1,\cdots,w_n\) ，则加权平均 weighted average 定义为

\[\dfrac{\sum_{i=1}^nw_ix_i}{\sum_{i=1}^nw_i} \]

总的权 \(W = \sum_{i=1}^nw_i\) 一般会定为 \(1\) ，从而与平均值 \(\sum_{i=1}^n\frac{1}{n}=1\) 保持一致。

 

Naive Bayes Classifier

朴素贝叶斯分类器计算一个样本属于某一类的概率（后验概率），进而比较概率大小来决定样本的分类结果。分类器需要数据集作为已知样本集，还需要这些样本的分类结果，最后对新给出的样本集进行分类。

具体来说，假设已经得到样本集 \(D=\{x_1,\cdots,x_n\}\) ，每一个 \(x_i\) 都有 \(k\) 个特征，分别记为 \(a_i\) ， 可能类别为 \(Y=\{y_1,\cdots,y_m\}\) ，根据每个 \(x_i\) 的特征，它会被分类到某一个 \(y_j\) 类中。

现在我们已经知道 \(D\) 分类的结果，分类器需要根据已经有的这些信息对新的样本 \(x=(a_1,\cdots,a_k)\) 进行分类。换句话说， \(y_j\) 就是一些模型，我们需要根据现有分类数据判断 \(x\) 最有可能符合哪一个模型。

 

Discrete Classifier

需要计算已知 \(x\) 时分类到 \(y_j\) 的概率 \(\Pr(y_j|x)\) ，然后比较其中最大的概率，选择对应的 \(y_j\) 作为分类结果。根据贝叶斯公式

\[\Pr(y_j|x) = \dfrac{\Pr(x|y_j)\Pr(y_j)}{\Pr(x)} \]

与先前类似，其中 \(\Pr(x)\) 可以忽略，我们用 \(D\) 中分类到 \(y_j\) 的元素占 \(D\) 所有元素的比例来估计 \(y_j\) 出现的概率 \(\Pr(y_j)\) 。

于是重点就在于计算 \(\Pr(x|y_j)\) ，我们知道 \(x\) 有一些特征，那么

\[\Pr(x|y_j) = \prod_{i=1}^k\Pr(a_i|y_j) \]

也就是 \(x\) 的每一个特征都出现在 \(y_j\) 中的概率，其中 \(\Pr(a_i|y_j)\) 是 \(a_i\) 出现在 \(y_j\) 分类中的比例。最终就得到

\[\Pr(y_j|x) \varpropto \Pr(y_j)\prod_{i=1}^k\Pr(a_i|y_j) \]

计算右边的最大值，然后选择对应的 \(y_j\) 作为分类结果即可。

 

以下面离散数据集的代码为例，首先给出已知数据

fea_dis = [[1,1,1,1,1,2,2,2,2,2,3,3,3,3,3]\',[1,2,2,1,1,1,2,2,3,3,3,2,2,3,3]\'];	% 已经分类的数据集
gnd_dis = [-1,-1,1,1,-1,-1,-1,1,1,1,1,1,1,1,-1]\';		                        % 对应的分类结果集

需要对 \((a_1,a_2)=(2,1)\) 进行分类，可以看出有 \(-1,1\) 两类，记为 \(y_1,y_2\)

target_dis = [2,1];

因此需要计算每个分类中不同特征出现的概率

\[\begin{matrix} \Pr(a_1| y_1) & \Pr(a_2| y_1)\\ \Pr(a_1| y_2) & \Pr(a_2| y_2) \end{matrix} \]

用一个矩阵来存放上面的概率

% 记录概率 P(a_i|y_j)
P = zeros(2,2);

% 统计 1 和 -1 两类分别有多少元素
p_count1 = sum(gnd_dis == 1);
p_count2 = sum(gnd_dis == -1);

% x = (a1,a2) = (2,1)
% 统计 1 类中 2 和 1 出现的概率
P(1,1) = sum(fea_dis(:,1) == 2 & gnd_dis == 1) / p_count1;
P(1,2) = sum(fea_dis(:,2) == 1 & gnd_dis == 1) / p_count1;

% 统计 -1 类中 2 和 1 出现的概率
P(2,1) = sum(fea_dis(:,1) == 2 & gnd_dis == -1) / p_count2;
P(2,2) = sum(fea_dis(:,2) == 1 & gnd_dis == -1) / p_count2;

然后计算出似然估计

\[\Pr(x|y_1) = \Pr(a_1| y_1) \Pr(a_2| y_1)\cdot \Pr(y_1)\\ \Pr(x|y_2) = \Pr(a_1| y_2) \Pr(a_2| y_2)\cdot \Pr(y_2)\\ \]

p1 = P(1,1) * P(1,2) * p_count1 / (p_count1 + p_count2);
p2 = P(2,1) * P(2,2) * p_count2 / (p_count1 + p_count2);

比较两个概率的大小决定分到哪一类即可。

 

Continuous Classifier

对于连续数据，通常是将其转化为离散数据集，包括两种方法

  • 将特征取值范围分成几个较少的区间
  • 假设每个类别中样本特征服从不同期望方差下的正态分布

第一种方法下，直接使用上面的方案即可；如果是第二种方法，我们假定 \(y_j\) 类中出现的特征 \(a_i\) 服从正态分布

\[g(x,\mu,\sigma) = \dfrac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{(x-\mu)^2}{2\sigma^2}) \]

这样就可令 \(\Pr(a_i|y_j) = g(a_i,\mu,\sigma)\) ，其中 \(\mu\) 和 \(\sigma^2\) 是 \(y_j\) 中出现的特征 \(a_i\) 的期望和方差。我们用平均值来近似期望，使用无偏方差

\[D(X) = \dfrac{1}{n-1}\sum_{i=1}^n(X_i-\overline{X})^2 \]

假定不同特征的协方差为 \(0\) ，也就是它们相互独立。

 

我们生成一个连续数据集

% 生成连续数据
mu = [0,2];
sigma = [1 0;0,1];
r1 = mvnrnd(mu,sigma,200);
target_r1 = mvnrnd(mu,sigma,10);
mu = [3,6];
sigma = [1 0;0,1];
r2 = mvnrnd(mu,sigma,200);
target_r2 = mvnrnd(mu,sigma,10);

% 数据集
fea_con = [r1;r2];
gnd_con = [ones(200,1);-1*ones(200,1)];
target_con = [target_r1;target_r2];

% 清除无用数据
clear mu sigma r1 r2 target_r1 target_r2

这里是利用二元正态分布生成了两组数据集，分别为 \(1,-1\) 类，然后将它们拼在一起，不过这不重要。

 

这次要对 \(10\) 个样本进行分类，还是按照之前的方法计算 \(\Pr(y_j)\) ，而 \(\Pr(a_i|y_j)\) 则采用上面的正态分布估计，就得到

% 统计 1 和 -1 两类分别有多少元素
p_count1 = sum(gnd_con == 1);
p_count2 = sum(gnd_con == -1);

% 获取 1 类和 -1 类的元素
y1 = fea_con(gnd_con == 1,:);
y2 = fea_con(gnd_con == -1,:);

% 计算平均值作为期望
mu1 = [mean(y1(:,1)) mean(y1(:,2))];
mu2 = [mean(y2(:,1)) mean(y2(:,2))];

% 计算方差
sigma1 = [(y1(:,1) - mu1(1))\' * (y1(:,1) - mu1(1)) / (p_count1 - 1) 0;
    0 (y1(:,2) - mu1(2))\' * (y1(:,2) - mu1(2)) / (p_count1 - 1)];
sigma2 = [(y2(:,1) - mu2(1))\' * (y2(:,1) - mu2(1)) / (p_count2 - 1) 0;
    0 (y2(:,2) - mu2(2))\' * (y2(:,2) - mu2(2)) / (p_count2 - 1)];

% 目标长度
n = length(target_con);

% 记录概率 P(a_i|y_j) 通过正态分布估计
P = zeros(2,2);
res = zeros(n,1);

% x = (a1,a2)
for i = 1:n
    % 当前元素的两个特征
    a1 = target_con(i,1);
    a2 = target_con(i,2);
    
    % 计算 1 类中 a1 a2 的概率
    P(1,1) =  1 / sqrt(2*pi) / sigma1(1,1) * exp(-(a1-mu1(1))^2/(2 * sigma1(1,1)^2));
    P(1,2) =  1 / sqrt(2*pi) / sigma1(2,2) * exp(-(a2-mu1(2))^2/(2 * sigma1(2,2)^2));
    
    % 计算 -1 类中 a1 a2 的概率
    P(2,1) =  1 / sqrt(2*pi) / sigma2(1,1) * exp(-(a1-mu2(1))^2/(2 * sigma2(1,1)^2));
    P(2,2) =  1 / sqrt(2*pi) / sigma2(2,2) * exp(-(a2-mu2(2))^2/(2 * sigma2(2,2)^2));
    
    % 计算条件概率
    p1 = P(1,1) * P(1,2) * p_count1 / (p_count1 + p_count2);
    p2 = P(2,1) * P(2,2) * p_count2 / (p_count1 + p_count2);
    
    % 根据概率大小判断分类
    if p1 > p2
        res(i) = 1;
    else
        res(i) = -1;
    end
end

由于只有两类，所以分类也较为简单，不过更多类的情况也是类似的。

 

Accuracy

只介绍简单的分类准确度指标 accuracy ，定义为分类正确的样本数与总样本数之比。

% 计算准确度
acc = sum(res == target_con_gnd) / n;

分类：

技术点：

相关文章：

猜你喜欢
  • 2022-12-23
  • 2022-01-05
相关资源
相似解决方案
热门标签
Java Python linux javascript Mysql C# Docker 算法 前端 SpringBoot Redis Vue spring 设计模式 .net core .net kubernetes c++ 数据库 数据结构 大数据 js 机器学习 微服务 Android Go 程序员 面试 JVM ASP.net core 云原生 人工智能 后端 PHP git CSS golang k8s Nginx Django mybatis 深度学习 多线程 React 架构 devops 爬虫 云计算 Spring Boot LeetCode