企业官网建设流程全解析

网站开发一年多少钱,wordpress页脚小工具,建设vip视频解析网站违法吗,平面设计网课培训有用吗文章目录一、逻辑森林#xff1a;集成学习的代表1.1 核心思想1.2 关键步骤1.3 示例说明二、贝叶斯算法#xff1a;概率推理的典范2.1 贝叶斯定理基础2.2 朴素贝叶斯公式2.3 文本分类示例三、应用选择一、逻辑森林#xff1a;集成学习的代表 1.1 核心思想 逻辑森林并非标准…文章目录一、逻辑森林集成学习的代表1.1 核心思想1.2 关键步骤1.3 示例说明二、贝叶斯算法概率推理的典范2.1 贝叶斯定理基础2.2 朴素贝叶斯公式2.3 文本分类示例三、应用选择一、逻辑森林集成学习的代表1.1 核心思想逻辑森林并非标准术语通常指随机森林(Random Forest)在分类任务中的应用其本质是通过构建多棵决策树并集成结果来提高分类性能。1.2 关键步骤自助采样Bootstrap从训练集中有放回地抽取多个子样本随机特征选择每棵树分裂时只考虑特征子集投票机制所有树的预测结果通过多数投票决定最终分类y ^ mode { T 1 ( x ) , T 2 ( x ) , . . . , T n ( x ) } \hat{y} \text{mode}\{T_1(x), T_2(x), ..., T_n(x)\}y^​mode{T1​(x),T2​(x),...,Tn​(x)}其中T i ( x ) T_i(x)Ti​(x)表示第i棵树的预测结果。1.3 示例说明假设我们要判断一封邮件是否为垃圾邮件树1基于包含’免费’特征判断为垃圾邮件树2基于发件人未知特征判断为垃圾邮件树3基于无正常问候语特征判断为正常邮件最终通过投票2:1判定为垃圾邮件二、贝叶斯算法概率推理的典范2.1 贝叶斯定理基础朴素贝叶斯分类器基于贝叶斯定理假设特征之间相互独立P ( y ∣ X ) P ( X ∣ y ) P ( y ) P ( X ) P(y|X) \frac{P(X|y)P(y)}{P(X)}P(y∣X)P(X)P(X∣y)P(y)​其中P ( y ∣ X ) P(y|X)P(y∣X)给定特征X XX时类别y yy的后验概率P ( X ∣ y ) P(X|y)P(X∣y)似然概率P ( y ) P(y)P(y)先验概率2.2 朴素贝叶斯公式对于特征向量X ( x 1 , x 2 , . . . , x n ) X (x_1, x_2, ..., x_n)X(x1​,x2​,...,xn​)P ( y k ∣ X ) ∝ P ( y k ) ∏ i 1 n P ( x i ∣ y k ) P(y_k|X) \propto P(y_k) \prod_{i1}^n P(x_i|y_k)P(yk​∣X)∝P(yk​)i1∏n​P(xi​∣yk​)预测时选择概率最大的类别y ^ arg ⁡ max ⁡ y k P ( y k ) ∏ i 1 n P ( x i ∣ y k ) \hat{y} \arg\max_{y_k} P(y_k) \prod_{i1}^n P(x_i|y_k)y^​argyk​max​P(yk​)i1∏n​P(xi​∣yk​)2.3 文本分类示例判断便宜机票是否为广告先验P ( 广告 ) 0.3 P(广告)0.3P(广告)0.3,P ( 正常 ) 0.7 P(正常)0.7P(正常)0.7条件概率P ( 便宜 ∣ 广告 ) 0.4 P(便宜|广告)0.4P(便宜∣广告)0.4,P ( 机票 ∣ 广告 ) 0.3 P(机票|广告)0.3P(机票∣广告)0.3P ( 便宜 ∣ 正常 ) 0.1 P(便宜|正常)0.1P(便宜∣正常)0.1,P ( 机票 ∣ 正常 ) 0.2 P(机票|正常)0.2P(机票∣正常)0.2计算P ( 广告 ∣ 文本 ) ∝ 0.3 × 0.4 × 0.3 0.036 P(广告|文本) ∝ 0.3×0.4×0.30.036P(广告∣文本)∝0.3×0.4×0.30.036P ( 正常 ∣ 文本 ) ∝ 0.7 × 0.1 × 0.2 0.014 P(正常|文本) ∝ 0.7×0.1×0.20.014P(正常∣文本)∝0.7×0.1×0.20.014预测为广告类0.036 0.014三、应用选择特性逻辑森林随机森林朴素贝叶斯假设条件特征可交互特征相互独立计算效率训练慢预测快训练预测都快数据需求需要较多数据小样本也能工作过拟合风险通过集成降低低风险适用场景复杂非线性关系文本分类、简单特征选择偏向随机森林当特征交互复杂、数据充足、需要高精度朴素贝叶斯当特征相对独立、需要快速部署、数据稀缺