Ну вот моя ситуация, я знаю некоторую теорию вероятности, я знаю теорему Байеса и т. Д. Но, чтобы поместить ее в матлаб, я теряюсь, как рассчитать условное.Наивные заливы и расчет условной вероятности
Что я делаю это классификация набора данных радужной оболочки глаза, это:
5.1000 3.5000 1.4000 0.2000 1.0000
4.9000 3.0000 1.4000 0.2000 1.0000
4.7000 3.2000 1.3000 0.2000 1.0000
4.6000 3.1000 1.5000 0.2000 1.0000
5.0000 3.6000 1.4000 0.2000 1.0000
5.4000 3.9000 1.7000 0.4000 1.0000
4.6000 3.4000 1.4000 0.3000 1.0000
5.0000 3.4000 1.5000 0.2000 1.0000
4.4000 2.9000 1.4000 0.2000 1.0000
4.9000 3.1000 1.5000 0.1000 1.0000
5.4000 3.7000 1.5000 0.2000 1.0000
4.8000 3.4000 1.6000 0.2000 1.0000
4.8000 3.0000 1.4000 0.1000 1.0000
4.3000 3.0000 1.1000 0.1000 1.0000
5.8000 4.0000 1.2000 0.2000 1.0000
5.7000 4.4000 1.5000 0.4000 1.0000
5.4000 3.9000 1.3000 0.4000 1.0000
5.1000 3.5000 1.4000 0.3000 1.0000
5.7000 3.8000 1.7000 0.3000 1.0000
5.1000 3.8000 1.5000 0.3000 1.0000
5.4000 3.4000 1.7000 0.2000 1.0000
5.1000 3.7000 1.5000 0.4000 1.0000
4.6000 3.6000 1.0000 0.2000 1.0000
5.1000 3.3000 1.7000 0.5000 1.0000
4.8000 3.4000 1.9000 0.2000 1.0000
5.0000 3.0000 1.6000 0.2000 1.0000
5.0000 3.4000 1.6000 0.4000 1.0000
5.2000 3.5000 1.5000 0.2000 1.0000
5.2000 3.4000 1.4000 0.2000 1.0000
4.7000 3.2000 1.6000 0.2000 1.0000
4.8000 3.1000 1.6000 0.2000 1.0000
5.4000 3.4000 1.5000 0.4000 1.0000
5.2000 4.1000 1.5000 0.1000 1.0000
5.5000 4.2000 1.4000 0.2000 1.0000
4.9000 3.1000 1.5000 0.1000 1.0000
5.0000 3.2000 1.2000 0.2000 1.0000
5.5000 3.5000 1.3000 0.2000 1.0000
4.9000 3.1000 1.5000 0.1000 1.0000
4.4000 3.0000 1.3000 0.2000 1.0000
5.1000 3.4000 1.5000 0.2000 1.0000
5.0000 3.5000 1.3000 0.3000 1.0000
4.5000 2.3000 1.3000 0.3000 1.0000
4.4000 3.2000 1.3000 0.2000 1.0000
5.0000 3.5000 1.6000 0.6000 1.0000
5.1000 3.8000 1.9000 0.4000 1.0000
4.8000 3.0000 1.4000 0.3000 1.0000
5.1000 3.8000 1.6000 0.2000 1.0000
4.6000 3.2000 1.4000 0.2000 1.0000
5.3000 3.7000 1.5000 0.2000 1.0000
5.0000 3.3000 1.4000 0.2000 1.0000
7.0000 3.2000 4.7000 1.4000 2.0000
6.4000 3.2000 4.5000 1.5000 2.0000
6.9000 3.1000 4.9000 1.5000 2.0000
5.5000 2.3000 4.0000 1.3000 2.0000
6.5000 2.8000 4.6000 1.5000 2.0000
5.7000 2.8000 4.5000 1.3000 2.0000
6.3000 3.3000 4.7000 1.6000 2.0000
4.9000 2.4000 3.3000 1.0000 2.0000
6.6000 2.9000 4.6000 1.3000 2.0000
5.2000 2.7000 3.9000 1.4000 2.0000
5.0000 2.0000 3.5000 1.0000 2.0000
5.9000 3.0000 4.2000 1.5000 2.0000
6.0000 2.2000 4.0000 1.0000 2.0000
6.1000 2.9000 4.7000 1.4000 2.0000
5.6000 2.9000 3.6000 1.3000 2.0000
6.7000 3.1000 4.4000 1.4000 2.0000
5.6000 3.0000 4.5000 1.5000 2.0000
5.8000 2.7000 4.1000 1.0000 2.0000
6.2000 2.2000 4.5000 1.5000 2.0000
5.6000 2.5000 3.9000 1.1000 2.0000
5.9000 3.2000 4.8000 1.8000 2.0000
6.1000 2.8000 4.0000 1.3000 2.0000
6.3000 2.5000 4.9000 1.5000 2.0000
6.1000 2.8000 4.7000 1.2000 2.0000
6.4000 2.9000 4.3000 1.3000 2.0000
6.6000 3.0000 4.4000 1.4000 2.0000
6.8000 2.8000 4.8000 1.4000 2.0000
6.7000 3.0000 5.0000 1.7000 2.0000
6.0000 2.9000 4.5000 1.5000 2.0000
5.7000 2.6000 3.5000 1.0000 2.0000
5.5000 2.4000 3.8000 1.1000 2.0000
5.5000 2.4000 3.7000 1.0000 2.0000
5.8000 2.7000 3.9000 1.2000 2.0000
6.0000 2.7000 5.1000 1.6000 2.0000
5.4000 3.0000 4.5000 1.5000 2.0000
6.0000 3.4000 4.5000 1.6000 2.0000
6.7000 3.1000 4.7000 1.5000 2.0000
6.3000 2.3000 4.4000 1.3000 2.0000
5.6000 3.0000 4.1000 1.3000 2.0000
5.5000 2.5000 4.0000 1.3000 2.0000
5.5000 2.6000 4.4000 1.2000 2.0000
6.1000 3.0000 4.6000 1.4000 2.0000
5.8000 2.6000 4.0000 1.2000 2.0000
5.0000 2.3000 3.3000 1.0000 2.0000
5.6000 2.7000 4.2000 1.3000 2.0000
5.7000 3.0000 4.2000 1.2000 2.0000
5.7000 2.9000 4.2000 1.3000 2.0000
6.2000 2.9000 4.3000 1.3000 2.0000
5.1000 2.5000 3.0000 1.1000 2.0000
5.7000 2.8000 4.1000 1.3000 2.0000
6.3000 3.3000 6.0000 2.5000 3.0000
5.8000 2.7000 5.1000 1.9000 3.0000
7.1000 3.0000 5.9000 2.1000 3.0000
6.3000 2.9000 5.6000 1.8000 3.0000
6.5000 3.0000 5.8000 2.2000 3.0000
7.6000 3.0000 6.6000 2.1000 3.0000
4.9000 2.5000 4.5000 1.7000 3.0000
7.3000 2.9000 6.3000 1.8000 3.0000
6.7000 2.5000 5.8000 1.8000 3.0000
7.2000 3.6000 6.1000 2.5000 3.0000
6.5000 3.2000 5.1000 2.0000 3.0000
6.4000 2.7000 5.3000 1.9000 3.0000
6.8000 3.0000 5.5000 2.1000 3.0000
5.7000 2.5000 5.0000 2.0000 3.0000
5.8000 2.8000 5.1000 2.4000 3.0000
6.4000 3.2000 5.3000 2.3000 3.0000
6.5000 3.0000 5.5000 1.8000 3.0000
7.7000 3.8000 6.7000 2.2000 3.0000
7.7000 2.6000 6.9000 2.3000 3.0000
6.0000 2.2000 5.0000 1.5000 3.0000
6.9000 3.2000 5.7000 2.3000 3.0000
5.6000 2.8000 4.9000 2.0000 3.0000
7.7000 2.8000 6.7000 2.0000 3.0000
6.3000 2.7000 4.9000 1.8000 3.0000
6.7000 3.3000 5.7000 2.1000 3.0000
7.2000 3.2000 6.0000 1.8000 3.0000
6.2000 2.8000 4.8000 1.8000 3.0000
6.1000 3.0000 4.9000 1.8000 3.0000
6.4000 2.8000 5.6000 2.1000 3.0000
7.2000 3.0000 5.8000 1.6000 3.0000
7.4000 2.8000 6.1000 1.9000 3.0000
7.9000 3.8000 6.4000 2.0000 3.0000
6.4000 2.8000 5.6000 2.2000 3.0000
6.3000 2.8000 5.1000 1.5000 3.0000
6.1000 2.6000 5.6000 1.4000 3.0000
7.7000 3.0000 6.1000 2.3000 3.0000
6.3000 3.4000 5.6000 2.4000 3.0000
6.4000 3.1000 5.5000 1.8000 3.0000
6.0000 3.0000 4.8000 1.8000 3.0000
6.9000 3.1000 5.4000 2.1000 3.0000
6.7000 3.1000 5.6000 2.4000 3.0000
6.9000 3.1000 5.1000 2.3000 3.0000
5.8000 2.7000 5.1000 1.9000 3.0000
6.8000 3.2000 5.9000 2.3000 3.0000
6.7000 3.3000 5.7000 2.5000 3.0000
6.7000 3.0000 5.2000 2.3000 3.0000
6.3000 2.5000 5.0000 1.9000 3.0000
6.5000 3.0000 5.2000 2.0000 3.0000
6.2000 3.4000 5.4000 2.3000 3.0000
5.9000 3.0000 5.1000 1.8000 3.0000
Теперь я знаю, что я могу получить перед подсчетом и последующим делением на общее:
load('iris.data');
iris
classes = iris(:, 5);
%priors by counting
class1 = (classes == 1);
prior_1 = sum(class1)./length(class1);
class2 = (classes == 2);
prior_2 = sum(class2)./length(class2);
class3 = (classes == 3);
prior_3 = sum(class3)./length(class3);
%% Now find a way to get the likelihood of the data given the class p(x|c)
% to apply bayes p(c|x_i) = p(x_i|c)p(c)/p(x_i){p(x_i|c_1)p(c_1) +
% p(x_i|c_2)p(c_2) + p(x_i|c_3)p(c_3)}
Но как я могу получить эту вероятность, я чувствую, что это невозможно сделать, считая, по крайней мере, я думаю. Итак, как мне это сделать? Помогите пожалуйста, я потерял полностью (:. Благодаря
Это действительно не проблема практического программирования, поэтому не вопрос для SO Вот подсказка:. Вероятность модель данных данных численно идентична вероятности данных, данных модели. Поэтому вам нужна модель генератора. Подумайте о модели, которую вы хотите применить к вашим данным. –
Ну, я думаю, я захочу применить нормальное распределение, но условное определяется как p (A | B) = p (A & B)/p (B), и это не дает мне никакого места, поскольку я, кажется, не понимаю его. –
Я так и думал. :) У вас нет проблемы с программированием, но у вас нет " t понял формулы. Я бы сказал: продолжайте учиться, прежде чем пытаться реализовать. –