二、贝叶斯网络 2.1 条件独立性 2.2 网络的学习 二、贝叶斯网络 贝叶斯网络Bayesian network 借助于有向无环图来刻画特征之间的依赖关系，并使用条件概率表Conditional Probability Table:CPT 来描述特征的联合概率分布。 这里每个特征代表一个随机变量，特征的具体取值就是随机变量的采样值。 ...

二分K均值聚类 二分K均值聚类训练(batch) 二分K均值聚类预测(stream) 二分K均值聚类预测(batch) KMeans KMeans预测(stream) KMeans预测(batch) KMeans训练(batch) 高斯混合模型 高斯混合模型(batch) 高斯混合模型流式预测(stream) 高斯混合模型预测(ba...

Collapse 折叠面板 概述 代码示例 API Collapse props Collapse events Panel props Panel slot Collapse 折叠面板 概述 将内容区域折叠/展开。 代码示例 基础用法 默认可以同时展开多个面板，可以设置默认展开第几个。 <templ...

朴素贝叶斯分类器 朴素贝叶斯分类的原理与流程 朴素贝叶斯分类实例：按照某人是否要打网球来划分天气 朴素贝叶斯分类器 来源：http://blog.csdn.net/u011067360/article/details/22890465 贝叶斯定理 贝叶斯定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个事件交换后的概率，...

三、EM算法与高斯混合模型 3.1 高斯混合模型 3.2 参数估计 三、EM算法与高斯混合模型 3.1 高斯混合模型 高斯混合模型(Gaussian mixture model,GMM )：指的是具有下列形式的概率分布模型： 其中 是系数，满足 ： 。 是高斯分布密度函数，称作第 个分模型， ： 如果用其他的概率分...

拉普拉斯平滑顶点 拉普拉斯平滑顶点 参考 模式 编辑模式 菜单 上下文菜单 ‣ 拉普拉斯平滑顶点 更多细节信息见 拉普拉斯平滑修改器 。 拉普拉斯平滑使用了另一种平滑算法，它能更好地保留较大的细节，这样就能保留网格的整体形状。拉普拉斯平滑在Blender中有相应的网格操作项和非破坏性修改器。 Note 几何平滑与平滑着色的区别 Do...

2.1. 高斯混合模型 2.1.1. 高斯混合 2.1.1.1. 优缺点 GaussianMixture 2.1.1.1.1. 优点 2.1.1.1.2. 缺点 2.1.1.2. 选择经典高斯混合模型中分量的个数 2.1.1.3. 估计算法期望最大化（EM） 2.1.2. 变分贝叶斯高斯混合 2.1.2.1. 估计算法: 变分推断（variati...

米斯特白帽培训讲义 更新历史 米斯特白帽培训讲义 讲师：gh0stkey 整理：飞龙 协议：CC BY-NC-SA 4.0 在线阅读 PDF格式 EPUB格式 MOBI格式 代码仓库 更新历史 版本 日期 内容 v1.6 2017.3.14 米斯特第二期视频实战篇内容 v1.5 201...

朴素贝叶斯讨论 疑问 1 疑问 2 朴素贝叶斯讨论 @Time渐行渐远 @那伊抹微笑 @小瑶 @如果迎着风就飞 朴素贝叶斯就是用来求逆向概率的（已知）。 根据训练数据集求（正向）概率。 根据测试数据集求（逆向）概率（根据 贝叶斯公式）。 求出的逆向概率，哪个大，就属于哪个类别。 疑问 1 通过训练集求出了各个特征的概率,...