Comments (23)
第7章公式7.23推导部分,最后一行的公式是不是有错误啊?十分感谢!^_^
from pumpkin-book.
@johnmaster 是的,现已修订,感谢反馈 :)
from pumpkin-book.
请问能不能解释一下拉普拉斯修正(7.19)& (7.20)的数学原理呢
from pumpkin-book.
@lzou13 可以的,这个有在计划之内,过段时间我抽空补上去。
from pumpkin-book.
from pumpkin-book.
@lingr7 是的
from pumpkin-book.
这个跟书上不一样。书上的P(x|c)是类条件概率,即后验的x对c的概率;i. i. d.假设也是针对训练集中的样本而非样本中的属性的。解释无法用训练集中的频率来估计概率的原因是:对于多个属性的样本,其概率使用联合密度分布进行计算很困难;特别的对于分类问题,样本空间特别大,实际中的训练集对比这个空间而言九牛一毛,所以大数定律不适用
from pumpkin-book.
@geochemistry 同学你好,7.8这个公式的解析确实写得不妥,而且还很冗余,因为西瓜书上已经做了很详细地解释,我稍后会给它撤掉,感谢你的反馈 :)
from pumpkin-book.
@lzou13 同学你好,7.19和7.20的数学原理我已经补充上去了,欠了这么久的花呗终于还清了 :)
from pumpkin-book.
对公式 (7.17)(7.18) 的应用有一处不解,在 P152-P153,为什么 (7.17) 的条件概率可以直接和 (7.18) 的条件概率密度直接相乘得到 h?望解答,谢谢:)
from pumpkin-book.
@onshek 因为(7.17)*(7.18)的理论依据是公式(7.15)
from pumpkin-book.
@LobbyBoy-Dray 同学你好,这个是需要你结合“V型结构”的示意图来理解的,图中的x1和x2是相互独立的两个随机变量,所以P(x1,x2)=P(x1)P(x2)
from pumpkin-book.
@LobbyBoy-Dray 同学你好,这个是需要你结合“V型结构”的示意图来理解的,图中的x1和x2是相互独立的两个随机变量,所以P(x1,x2)=P(x1)P(x2)
谢谢回复!我忘了贝叶斯网本身就隐含着一个关于联合分布的一个写法!谢谢您!
from pumpkin-book.
您好,在公式7.13的证明中有两处不太理解,在第41页,
第一处是黄色方框中的公式对应的定理是什么?第二处是上方红色框中的公式在变为下方红色框中的公式,是不是通过“+x的均值 -x的均值操作”,这样乘积展开不是四项么,中间那两项为啥抵消了?
from pumpkin-book.
@jianglonger 同学你好,最近公司项目略忙,让你久等了,下面我来回答一下你的两个问题:1.黄框的公式就是迹运算的常用性质之一而已,这个你去任何矩阵论的书籍上都能查到,在这里我推荐你看张贤达老师的《矩阵分析与应用(第二版)》,书里第50页有给出这个公式;2.红框的公式推导细节之前偷了点懒,现在已经补上了,请查阅 :)
from pumpkin-book.
@jianglonger 同学你好,最近公司项目略忙,让你久等了,下面我来回答一下你的两个问题:1.黄框的公式就是迹运算的常用性质之一而已,这个你去任何矩阵论的书籍上都能查到,在这里我推荐你看张贤达老师的《矩阵分析与应用(第二版)》,书里第50页有给出这个公式;2.红框的公式推导细节之前偷了点懒,现在已经补上了,请查阅 :)
嗯嗯,看懂了,谢谢,是我想错了,非常感谢,辛苦了!
from pumpkin-book.
from pumpkin-book.
公式7.6的解析,“带入”应为“代入”吧
from pumpkin-book.
@ZuoGangwei 确实,稍后我更正一下 :)
from pumpkin-book.
@ZuoGangwei 确实,稍后我更正一下 :)
OK,我看书非常喜欢挑这种错别字:)
from pumpkin-book.
@ZuoGangwei 很好很严谨呀,非常欢迎给我们挑这些问题,非常感谢 :)
from pumpkin-book.
from pumpkin-book.
@ZuoGangwei 哪里有问题?我刚看了一下是一样的呀
from pumpkin-book.
Related Issues (20)
- 在线的链接无法打开 HOT 1
- ROC曲线为什么真正例率与假正例率可以同时增加 HOT 2
- 机器学习
- 南瓜书中的公式2.21的讲解感觉有点晦涩了 HOT 1
- 公式(12.39)的解释有问题 HOT 2
- 公式12.36
- released版本的pdf中有一处错误
- 西瓜書
- 书中 公式(3.35) 公式(3.36)怎么没有啊! HOT 1
- 公式16.16 HOT 2
- 公式16.16
- 进不去链接 HOT 5
- 式 2.27 HOT 2
- 10.17 求解CPA时的问题
- 关于公式3-9
- @yanglei-github 事件{f(x)=1}和{f(x)=-1}已经是完备事件组了,求期望是 权重(概率)*值,然后P(f(x)=1|x)是概率,e^(-H(x)f(x))为值,又知道f(x)=1,那么值就是e^(-H(x)),然后把P(f(x)=-1|x)也加上就出现了上述式子
- 第五章 式(5.2) 中最后推导梯度的时候,\hat(yi)也应该是关于w的函数,没有对其求导,直接当成常数处理了,这似乎是不正确的。 HOT 1
- > @wanyixue 同学你好,损失函数L是关于w和theta的函数,只有w和theta是未知的变量,\hat(yi)和yi都是已知量,所以不用对他们求导,因此也不存在不可导一说
- There are no page numbers in the most recent PDF file pages HOT 4
- v2.0.0版本的PDF中10.5.1节有关主成分分析的推导流程有处错误 HOT 2
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from pumpkin-book.