## 机器学习-第四章 朴素贝叶斯 黄海广 副教授 2022年02月 ## 本章目录 01 贝叶斯方法 02 朴素贝叶斯原理 03 朴素贝叶斯案例 04 朴素贝叶斯代码实现 ### 1. 贝叶斯方法 ## 01 贝叶斯方法 02 朴素贝叶斯原理 03 朴素贝叶斯案例 04 朴素贝叶斯代码实现 ### 1. 贝叶斯方法-背景知识 贝叶斯分类: 贝叶斯分类是一类分类算法的总称， 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。 先验概率：根据以往经验和分析得到的概率。我们用 $ P(Y) $ 来代表在没有训练数据前假设Y拥有的初始概率。 后验概率：根据已经发生的事件来分析得到的概率。以 $ P(Y|X) $ 代表假设X成立的情下观察到Y数据的概率，因为它反映了在看到训练数据X后Y成立的置信度。 ### 1. 贝叶斯方法-背景知识 联合概率：联合概率是指在多元的概率 事件共同发生的概率。 ### 1. 贝叶斯方法 ## 贝叶斯公式  $$ P(Y|X)=\frac{P(X,Y)}{P(X)}=\frac{P(X|Y)P(Y)}{P(X)} $$ 朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布

房价预测 ## 房价预测模型介绍 ## 前置知识：监督学习（Supervised Learning） 监督学习是机器学习的一种方法，指从训练数据（输入和预期输出）中学到一个模型（函数），并根据模型可以推断新实例的方法。 函数的输出通常为一个连续值（回归分析）或类别标签（分类）。 ![Image](/uploads/documents/b/4/3/f/b43f4cf9fe8127ff18415054a6728cc5/p5_2 Regression） • 逻辑回归（Logistic Regression） • 决策树（Decision Tree） - 随机森林（Random Forest） • 最近邻算法（k-NN） • 朴素贝叶斯（Naive Bayes） - 支持向量机（SVM） • 感知器（Perceptron） • 深度神经网络（DNN） ![Image](/uploads/documents/b/4/3/f/

## 基于Kubernetes构建容器云平台的实践 UCloud优刻得实验室负责人 叶理灯 ## KUN UCloud内部容器平台，提供弹性、分布式的应用托管服务平台，帮助开发者一站式轻松开发并部署应用程序。KUN底层基于 Kubernetes，提供高可用，在线升级，自动扩缩，负载均衡，日志查看，资源监控，等多种功能。 运维管理 监控 日志 统一代码管理 权限 分析 集群管理

混合节点 云絮节点 畸变噪波节点 幻彩节点 ⼤理⽯纹节点 马⽒分形节点 噪波节点 斯⽒分形节点 沃罗诺伊节点 ⽊纹节点 混合节点 见 此处。 云絮节点 见 此处。 畸变噪波节点 见 此处。 幻彩节点 见 此处。 ⼤理⽯纹节点 见 此处。 马⽒分形节点 见 此处。 噪波节点 见 此处。 斯⽒分形节点 见 此处。 沃罗诺伊节点 见 此处。 ⽊纹节点 见 按钮和捕捉类型）。 视图菜单 调整上⼀步操作 显⽰⼀个弹出⾯板，⽤于更改上次完成的操作的属性。请参阅： 调整上⼀ 步操作 。 显⽰控制柄和插值 代替将所有关键帧显⽰为菱形，⽽是使⽤不同的图标来显 ⽰贝塞尔控制柄类型。 当曲线使⽤不同的插值类型时，键 之间会显⽰⼀条线以突出显⽰。 极端标记。 请参阅 控制柄&插值显⽰。 显⽰极端点 基于与相邻键值的⽐较，检测曲线改变⽅向的键，并通过 将关键帧图标更改为类似箭头来显⽰。 Nearest Frame Nearest Second 最近标记 轴⼼点 轴⼼点旋转。 边界框中⼼ 所选关键帧的中⼼。 2D 游标 2D游标 的中⼼。 播放头 + 游标。 各⾃中⼼ 旋转所选关键帧 贝塞尔 控制柄。 创建虚拟曲线（框架 F-曲线 图标） ⽤曲线的当前形状创建⼀张图⽚。 侧栏 侧栏 中的⾯板。 视图选项卡 显⽰游标 切换 2D 游标 的可见性。 游标 X，Y 将游标移动到指定的帧（X值）和值（Y值）。

选择显⽰图像的颜⾊样本。 属性 卡通 仅合成器 标准 TODO 2.8 电影向 TODO 2.8 通道 单击其中⼀个通道会显⽰每个通道的曲线。 C (混合RGB)， R (红)， G (绿)， B (蓝) 曲线 使⽤贝塞尔曲线将输⼊值变换为输出值。对于曲线控制⽅式，请参阅 曲线 部件 。 输出选项 图像 标准图像输出。 举例 下⾯是⼀些可⽤于实现所需效果的常⽤曲线。 从左⾄右：1. 减轻阴影, 2. 反⾊, 3 马⽒分形节点 噪波节点 斯⽒分形 沃罗诺伊节点 ⽊纹节点 混合节点 混合节点。 见 此处。 云絮节点 云絮节点。 见 此处。 畸变噪波节点 畸变噪波节点。 见 此处。 幻彩节点 幻彩节点。 见 此处。 ⼤理⽯纹节点 ⼤理⽯纹节点。 见 此处。 马⽒分形节点 马⽒分形节点。 见 此处。 噪波节点 噪波节点。 见 此处。 斯⽒分形 斯⽒分形。 见 此处。 在这⾥，您可以找到菜单，第⼀组控件与编辑器“模式”相关，第⼆组控件与动 作数据块相关，以及⼀些其他⼯具(如复制/粘贴按钮和捕捉类型)。 视图菜单 显⽰控制柄和插值 代替将所有关键帧显⽰为菱形，⽽是使⽤不同的图标来显 ⽰贝塞尔控制柄类型。 当曲线使⽤不同的插值类型时，键 之间会显⽰⼀条线以突出显⽰。 请参阅 控制柄&插值显⽰。 显⽰极端点 极端标记。 基于与相邻键值的⽐较，检测曲线改变⽅向的键，并通过 将关键帧图标更改为类似箭头来显⽰。

分类模型过多年的发展，已经有比较成熟的分类器，如逻辑回归、贝叶斯、支持向量机、神经网络等。 因此，算法的关键是特征工程，即如何设计处有效区分不同人的特征。 于是，计算机视觉领域很多描述图像的特征都先后被用于人脸识别问题，包括HOG、SIFT、Gabor、LBP等。它们中的典型代表是简单高效的LBP（局部二值模式）特征。LBP部分解决了光照敏感问题。 联合贝叶斯 $ ^{[5]} $ 是对贝叶斯人脸的改进方法，选用LBP和 是对贝叶斯人脸的改进方法，选用LBP和LE作为基础特征，将人脸图像的差异表示为：相同人因姿态、表情等导致的差异和不同人间的差异两个因素，用潜在变量组成的协方差，建立两张人脸的关联。联合贝叶斯在LFW上取得了92.4%的准确率。 ## MSRA "Feature Master" 2013年，MSRA 的 Dong Chen [6]等继续发力，发表了一篇关于如何使用高维度特征在人脸验证中的文章，作者主要以 LBP 为例，

最大时间汇聚层 ..... 714 15.3.3 textCNN模型 ..... 715 15.4 自然语言推断与数据集 ..... 719 15.4.1 自然语言推断 ..... 719 15.4.2 斯坦福自然语言推断（SNLI）数据集 ..... 719 15.5 自然语言推断：使用注意力 ..... 724 15.5.1 模型 ..... 724 15.5.2 训练和评估模型 单文本分类 ..... 731 15.6.2 文本对分类或回归 ..... 732 15.6.3 文本标注 ..... 732 15.6.4 问答 ..... 733 15.7 自然语言推断：微调BERT ..... 734 15.7.1 加载预训练的BERT ..... 735 15.7.2 微调BERT的数据集 ..... 736 15.7.3 微调BERT ..... 行为导致了晋升。 强化学习可能还必须处理部分可观测性问题。也就是说，当前的观察结果可能无法阐述有关当前状态的所有信息。比方说，一个清洁机器人发现自己被困在一个许多相同的壁橱的房子里。推断机器人的精确位置（从而推断其状态），需要在进入壁橱之前考虑它之前的观察结果。 最后，在任何时间点上，强化学习智能体可能知道一个好的策略，但可能有许多更好的策略从未尝试过的。强化学习智能体必须不断地做出选择：是应

当前代码的时间复杂度为O（n * sqrt(n))。虽然对于较小的n值，这种实现是可以接受的，但当n非常大时，性能会显著下降。主要瓶颈在于每个数都需要进行试除法检查，这导致了较高的时间开销。 建议使用埃拉托斯特尼筛法（Sieve of Eratosthenes），该算法的时间复杂度为O(n log(log n))，能够显著提高查找素数的效率。 改进后的代码如下： def find_primes(n): 极其严格”且“专注于算法效率”的提示词，智能体没有满足于功能正确的初版代码，而是精准地指出了其 $ 0 ( n \ast\sqrt{n} ) $的时间复杂度瓶颈，并提出了算法层面的改进建议一一埃拉托斯特尼筛法。 迭代式改进：智能体在接收到明确的反馈后，于优化阶段成功地实现了更高效的筛法，将算法复杂度降至 0(n log log n），完成了第一次有意义的自我迭代。 收敛与终止：在第二轮 地部署方案，作为对第3.2.3节中Hugging Face Transformers方案的生产级补充，满足数据隐私和成本控制的需求。 自动检测机制：建立一套自动识别机制，使框架能根据环境信息智能推断所使用的LLM服务类型，简化用户的配置过程。 7.2.1 支持多提供商 我们之前定义的 HelloAgentsLLM 类，已经能够通过 api_key 和 base_url 这两个核心参数，连接任何兼容