【第7章贝叶斯分类器】待推导或待解析公式征集+答疑专区

[Sm1les]

在这里，你可以：
1.评论留下西瓜书第7章你觉得需要补充推导细节或者解析的公式编号，我们看到后会尽快进行补充；
2.评论留下你对南瓜书第7章里相关内容的疑问，我们看到后会尽快进行答疑。

[johnmaster]

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!^_^

[Sm1les]

@johnmaster 是的，现已修订，感谢反馈 :)

[lzou13]

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

[Sm1les]

@lzou13 可以的，这个有在计划之内，过段时间我抽空补上去。

[lingr7]

（7.27）是否是因为这个成立的呢？

[Sm1les]

@lingr7 是的

[geochemistry]

（7.8）

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

[Sm1les]

@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 :)

[Sm1les]

@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 :)

[onshek]

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：）

[Sm1les]

@onshek 因为（7.17）*（7.18）的理论依据是公式（7.15）

[Sm1les]

@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)

[LobbyBoy-Dray]

@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！

[jianglonger]

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？

[Sm1les]

@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 :)

[jianglonger]

@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！

[dlmdlmacy]

您好！请问式7,21为什么是

而不是

谢谢您的解答！

[ZuoGangwei]

公式7.6的解析，“带入”应为“代入”吧

[Sm1les]

@ZuoGangwei 确实，稍后我更正一下 :)

[ZuoGangwei]

@ZuoGangwei 确实，稍后我更正一下 :)

OK，我看书非常喜欢挑这种错别字：）

[Sm1les]

@ZuoGangwei 很好很严谨呀，非常欢迎给我们挑这些问题，非常感谢 :)

[ZuoGangwei]

南瓜书7.24的公式写得跟西瓜书不一样，分母有问题

[Sm1les]

@ZuoGangwei 哪里有问题？我刚看了一下是一样的呀