本文介绍了朴素贝叶斯模型如何利用0-1损失函数选择最优模型。通过0-1损失函数的定义，探讨了期望损失，并指出最小化损失意味着最大化后验概率P(f(x)=Ck∣X)，从而实现分类的最优化。
朴素贝叶斯模型使用0-1损失函数来选择最优模型
0-1损失函数定义如下：
L(Y,f(X))={1,Y=f(X)0,Y≠f(X)
L(Y, f(X)) = \begin{cases}
1, && Y = f(X) \\
0, && Y \neq f(X)
\end{cases}
L(Y,f(X))={1,0,Y=f(X)Y=f(X)
L(Y, f(X))的期望为：
E[L(Y,f(X))]=∑kL(ck,f(x))P(Ck∣X)=∑kL(ck,f(x))P(Ck≠f(x)∣X)=1−P(f(x)=Ck∣X)
E[L(Y, f(X))] = \sum_kL(c_k, f(x))P(C_k|X) \\
= \sum_kL(c_k, f(x))P(C_k \neq f(x)|X) \\
= 1 - P(f(x)=C_k|X)
E[L(Y,f(X))]=k∑L(ck,f(x))P(Ck∣X)=k∑L(ck,f(x))P(Ck=f(x)∣X)=1−P(f(x)=Ck∣X)
L(Y, f(X))代表f(x)的损失函数，因此要让它和标记尽量小，也普是在让P(f(x)=Ck∣X)P(f(x)=C_k|X)P(f(x)=Ck∣X)尽量大，也就是后验概率最大化。
扫一扫
2340
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
