开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何使用NumPy生成具有条件概率的x和y样本

NumPy是一个强大的Python库，用于科学计算和数据分析。它提供了一个高性能的多维数组对象，以及用于处理这些数组的工具。使用NumPy生成具有条件概率的x和y样本可以通过以下步骤实现：

导入NumPy库：

import numpy as np

定义条件概率分布：假设我们有两个离散随机变量x和y，它们之间存在条件概率分布P(y|x)。我们可以使用NumPy的random.choice函数来定义条件概率分布。假设x有n个可能的取值，y有m个可能的取值，我们可以使用一个n×m的矩阵来表示条件概率分布，其中每个元素(i, j)表示P(y=j|x=i)。

# 定义条件概率分布
conditional_probabilities = np.array([[0.1, 0.2, 0.3],
                                      [0.4, 0.5, 0.6],
                                      [0.7, 0.8, 0.9]])

生成x样本：使用NumPy的random.choice函数生成具有条件概率的x样本。假设我们需要生成m个x样本，可以使用random.choice函数从0到n-1的范围内选择m个样本，其中每个样本的概率由条件概率分布决定。

# 生成x样本
n = conditional_probabilities.shape[0]
m = 10  # 生成10个x样本
x_samples = np.random.choice(n, m)

生成y样本：根据生成的x样本和条件概率分布，使用NumPy的random.choice函数生成具有条件概率的y样本。对于每个x样本，根据条件概率分布的对应行选择一个y样本。

# 生成y样本
y_samples = np.array([np.random.choice(range(conditional_probabilities.shape[1]), p=conditional_probabilities[x]) for x in x_samples])

完整的代码如下：

import numpy as np

# 定义条件概率分布
conditional_probabilities = np.array([[0.1, 0.2, 0.3],
                                      [0.4, 0.5, 0.6],
                                      [0.7, 0.8, 0.9]])

# 生成x样本
n = conditional_probabilities.shape[0]
m = 10  # 生成10个x样本
x_samples = np.random.choice(n, m)

# 生成y样本
y_samples = np.array([np.random.choice(range(conditional_probabilities.shape[1]), p=conditional_probabilities[x]) for x in x_samples])

print("x样本:", x_samples)
print("y样本:", y_samples)

这段代码将生成10个具有条件概率的x和y样本。其中，x样本是从0到n-1的范围内选择的随机样本，y样本根据对应的x样本和条件概率分布生成。

对于腾讯云相关产品和产品介绍链接地址，由于要求不能提及具体品牌商，无法给出相关链接。但是腾讯云提供了丰富的云计算服务，包括计算、存储、数据库、人工智能等领域的产品，可以根据具体需求选择适合的产品。

相关搜索:如何使用Numpy数组查找给定值的x和y坐标如何在numpy或python中过滤具有(0,0)<=(x，y)<=(x1，y1)的(x，y，z)数组？如何在x和y上具有相同的比例如何使用numpy或pandas生成带有Z值的2d网格(X，Y)？使用Matplotlib绘制具有多个x轴和y轴的图形在具有x和y轴标签的ggplot中使用scale_x_continuous Numpy数组形状相同，但获取ValueError: x和y必须具有相同的第一维如何使用x和y坐标设置textView的位置如何使用单击的X和Y坐标移动图像如何分别定义具有点和限制x和y的二维数组 Python & numpy，使用决策函数从x和y网格创建Z的更好方法如何用Python语言绘制具有两个y轴(x，y1和y2)的散点图如何加快从具有位置(X，Y)和强度的点创建图像的速度？使用matplotlib和numpy绘制1 y位置值与2 x位置值的投影运动如何生成沿X轴的列名和Y轴的行的条形图？如何从三个数组创建x，y，z坐标，其中x和y是用网格生成的，z依赖于x？如何使用ReactJs获取鼠标点击的X和Y坐标你如何在JavaScript的Y和Z范围之间随机生成X个数字？如何创建两个具有相同x轴和不同y轴的图形？如何使用pandas dataframe函数维护样本中具有条件的某些行

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【机器学习】朴素贝叶斯

本文介绍了朴素贝叶斯模型，朴素贝叶斯（几乎所有的概率模型）的核心假设：特征之间的条件概率相互独立。以垃圾邮件分类问题为例，分析了朴素贝叶斯模型的两种应用场景：1）先验分布和条件概率分布都为一元伯努利分布，2）先验分布为一元伯努利分布，条件概率分布为多元伯努利分布。分别对应词袋子表示中两种常用的方法: one-hot表示，编号表示（词频表示）。

01

【机器学习】第三部分肆：朴素贝叶斯

朴素贝叶斯是一组功能强大且易于训练的分类器，它使用贝叶斯定理来确定给定一组条件的结果的概率，“朴素”的含义是指所给定的条件都能独立存在和发生. 朴素贝叶斯是多用途分类器，能在很多不同的情景下找到它的应用，例如垃圾邮件过滤、自然语言处理等.

01

【综述专栏】扩散模型最新有何进展？普林斯顿伯克利最新「扩散模型」综述：应用、引导生成、统计率和优化！

在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。

01

[DeeplearningAI笔记]序列模型3.2有条件的语言模型与贪心搜索的不可行性

是 0 向量，但是在机器翻译模型中 decoder 的输入是 encoder 的输出。所以称机器翻译中的 decoder 为 condition language model 有条件的语言模型

02

机器学习数学基础：随机事件与随机变量

所谓机器学习和深度学习，背后的逻辑都是数学，所以数学基础在这个领域非常关键，而统计学又是重中之重，机器学习从某种意义上来说就是一种统计学习。

02

生成式模型与辨别式模型

来源：DeepHub IMBA 本文约1800字，建议阅读5分钟本文解释了这两种模型类型之间的区别，并讨论了每种方法的优缺点。分类模型可以分为两大类:生成式模型与辨别式模型。本文解释了这两种模型类型之间的区别，并讨论了每种方法的优缺点。辨别式模型辨别式模型是一种能够学习输入数据和输出标签之间关系的模型，它通过学习输入数据的特征来预测输出标签。在分类问题中，我们的目标是将每个输入向量x分配给标签y。判别模型试图直接学习将输入向量映射到标签的函数f(x)。这些模型可以进一步分为两个子类型: 分类器试图

02

机器学习算法之朴素贝叶斯算法

假设有随机变量A和B,此时P(A=a,B=b)用于表示A=a且B=b同时发生的概率。这类包含多个条件且所有条件同时成立的概率叫做联合概率。与之对应，P(A=a)或P(B=b)这类仅与单个随机变量相关的概率称为边缘概率。其中联合概率和边缘概率具有如下关系:

02

决策树1：初识决策树

决策树是一个非常有意思的模型，它的建模思路是尽可能模拟人做决策的过程。因此决策树几乎没有任何抽象，完全通过生成决策规则来解决分类和回归问题。因为它的运行机制能很直接地被翻译成人类语言，即使对建模领域完全不了解的非技术人员也能很好地理解它。因此在学术上被归为白盒模型（white box model）。

01

为什么朴素贝叶斯定理会被叫做朴素的？

朴素贝叶斯算法是一种基于著名贝叶斯定理的分类算法。那么让我们先了解一下Bayes定理是怎么说的，并为朴素贝叶斯算法定理建立z自己的理解，它是如何工作的，它为什么被称为朴素？

03

监督学习最常见的五种算法，你知道几个？

在机器学习中，无监督学习（Unsupervised learning）就是聚类，事先不知道样本的类别，通过某种办法，把相似的样本放在一起归位一类；而监督型学习（Supervised learning）就是有训练样本，带有属性标签，也可以理解成样本有输入有输出。所有的回归算法和分类算法都属于监督学习。回归（Regression）和分类（Classification）的算法区别在于输出变量的类型，定量输出称为回归，或者说是连续变量预测；定性输出称为分类，或者说是离散变量预测。以下是一些常用的监督型学习方法。

统计学习方法一到四章笔记

做一些常见算法的分类：非概率模型：感知机、支持向量机、k近邻、adaboost、k-means、潜在语义分析、神经网络概率模型：决策树、朴素贝叶斯、隐马尔科夫模型、条件随机场、概率潜在语义分析、潜在迪利克雷分配、高斯混合模型而logistic回归两类都属于。

01

【机器学习】贝叶斯机器学习：经典模型与代码实现

贝叶斯定理是概率模型中最著名的理论之一，在机器学习中也有着广泛的应用。基于贝叶斯理论常用的机器学习概率模型包括朴素贝叶斯和贝叶斯网络。本章在对贝叶斯理论进行简介的基础上，分别对朴素贝叶斯和贝叶斯网络理论进行详细的推导并给出相应的代码实现，针对朴素贝叶斯模型，本章给出其NumPy和sklearn的实现方法，而贝叶斯网络的实现则是借助于pgmpy。

02

【贝叶斯系列】在研究机构如何应用贝叶方法论进行量化投资

贝叶斯方法与量化投资 贝叶斯方法在量化投资中有哪些应用? 股票分类市场趋势识别波动率估计投资组合风险股票分类构造投资组合的方法是买入好的股票(未来收益率高)或卖出(空) 差的股票(未来

09

朴素贝叶斯分类算法

朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。通俗来说，就好比这么个道理，你在街上看到一个黑人，我问你你猜这哥们哪里来的，你十有八九猜非洲。为什么呢？因为黑人中非洲人的比率最高，当然人家也可能是美洲人或亚洲人，但在没有其它可用信息下，我们会选择条件概率最大的类别，这就是朴素贝叶斯的思想基础。

02

开发 | 监督学习最常见的五种算法，你知道几个？

AI科技评论按：本文作者李东轩，原文载于作者个人博客，AI科技评论已经获得授权。在机器学习中，无监督学习（Unsupervised learning）就是聚类，事先不知道样本的类别，通过某种办法，把相似的样本放在一起归位一类；而监督型学习（Supervised learning）就是有训练样本，带有属性标签，也可以理解成样本有输入有输出。所有的回归算法和分类算法都属于监督学习。回归（Regression）和分类（Classification）的算法区别在于输出变量的类型，定量输出称为回归，或者说是连续变

09

机器学习16：逻辑回归模型

逻辑回归模型是对线性回归模型解决分类任务的改进，是广义线性模型。它可以被看做是Sigmoid函数（logistic方程）所归一化后的线性回归模型，主要用于二分类问题。Sigmoid函数形式为：

02

【机器学习入门】机器学习基础核心算法：贝叶斯分类！(附西瓜书案例及代码实现)

寄语：首先，简单介绍了生成模型和判别模型，对条件概率、先验概率和后验概率进行了总结；其次，对朴素贝叶斯的原理及公式推导做了详细解读；再次，对三种可能遇到的问题进行了解析，给出了合理的解决办法；最后，对朴素贝叶斯的sklearn参数和代码进行了详解。

02

太赞了！机器学习基础核心算法：贝叶斯分类！(附西瓜书案例及代码实现)

寄语：首先，简单介绍了生成模型和判别模型，对条件概率、先验概率和后验概率进行了总结；其次，对朴素贝叶斯的原理及公式推导做了详细解读；再次，对三种可能遇到的问题进行了解析，给出了合理的解决办法；最后，对朴素贝叶斯的sklearn参数和代码进行了详解。

02

朴素贝叶斯算法的推导与实践

但是，有时我们无法非常明确地得到分类，例如当数据量非常大时，计算每个样本与预测样本之间的距离或是构建决策树都会因为运算量过大而力不从心。

01

混合高斯模型和EM算法

在这个条件下,我们把图片上没有动物的角的概率作为先验概率,图片上有动物的角并且是犀牛称为类条件概率

03

一文读懂机器学习概率图模型（附示例和学习资源）

来源：机器之心本文长度为10085字，建议阅读15分钟本文结合基础应用示例系统性的为你讲解概率图模型。概率图模型是人工智能领域内一大主要研究方向。近日，数据科学家Prasoon Goyal在其博客上发表了一篇有关概率图模型的基础性介绍文章。文章从基础的概念开始谈起，并加入了基础的应用示例来帮助初学者理解概率图模型的实用价值。本文对该文章进行了编译介绍。第一部分：基本术语和问题设定机器学习领域内很多常见问题都涉及到对彼此相互独立的孤立数据点进行分类。比如：预测给定图像中是否包含汽车或狗，或预测

Python3《机器学习实战》学习笔记（四）：朴素贝叶斯基础篇之言论过滤器

本文介绍了一种基于朴素贝叶斯算法的中文文本分类方法，该方法使用TF-IDF向量化器将文本转换为高维特征向量，并通过朴素贝叶斯分类器进行训练和分类。实验结果表明，该方法在分类准确率和效率方面表现良好，适用于处理大规模文本分类任务。

08

机器学习实战教程（四）：朴素贝叶斯基础篇之言论过滤器

原文链接： Jack-Cui，https://cuijiahua.com/blog/2017/11/ml_4_bayes_1.html

00

理解生成模型与判别模型

我们都知道，对于有监督的机器学习中的分类问题，求解问题的算法可以分为生成模型与判别模型两种类型。但是，究竟什么是生成模型，什么是判别模型？不少书籍和技术文章对这对概念的解释是含糊的。在今天这篇文章中，我们将准确、清晰的解释这一组概念。

03

只要130 行代码即可生成二维样本，心动了吗？

AI 研习社按：此前我们曾编译了一篇英文教程，详细介绍了如何基于 PyTorch 平台用 50 行代码实现 GAN（生成对抗网络），详情参见：在 PyTorch 上跑 GAN 只需要 50 行代码，不试试？近期，针对文中介绍的“50 行代码 GAN 模型”，有开发者指出了局限性，并基于此模型给出了改进版本，也就是本文将要介绍的“130 行代码实现 GAN 二维样本”。本文原载于知乎专栏，作者達聞西，雷锋网 AI 研习社经授权发布。文中相关链接详见文末“阅读原文”。 50行GAN代码的问题 Dev Nag

04

只需 130 行代码！用 GAN 生成二维样本的小例子

50行GAN代码的问题 Dev Nag 写的 50 行代码的 GAN，大概是网上流传最广的，关于GAN最简单的小例子。这是一份用一维均匀样本作为特征空间(latent space)样本，经过生成网络变换后，生成高斯分布样本的代码。结构非常清晰，却有一个奇怪的问题，就是判别器(Discriminator)的输入不是2维样本，而是把整个mini-batch整体作为一个维度是batch size(代码中batch size等于cardinality)那么大的样本。也就是说判别网络要判别的不是一个一维的目标分布

04

读懂概率图模型：你需要从基本概念和参数估计开始

概率图模型是人工智能领域内一大主要研究方向。近日，Statsbot 团队邀请数据科学家 Prasoon Goyal 在其博客上分两部分发表了一篇有关概率图模型的基础性介绍文章。文章从基础的概念开始谈起，并加入了基础的应用示例来帮助初学者理解概率图模型的实用价值。机器之心对该文章进行了编译介绍。第一部分：基本术语和问题设定机器学习领域内很多常见问题都涉及到对彼此相互独立的孤立数据点进行分类。比如：预测给定图像中是否包含汽车或狗，或预测图像中的手写字符是 0 到 9 中的哪一个。事实证明，很多问题都不在上

04

一文读懂机器学习概率图模型

来源：机器之心本文长度为10085字，建议阅读15分钟本文结合基础应用示例系统性的为你讲解概率图模型。概率图模型是人工智能领域内一大主要研究方向。近日，数据科学家Prasoon Goyal在其博客上发表了一篇有关概率图模型的基础性介绍文章。文章从基础的概念开始谈起，并加入了基础的应用示例来帮助初学者理解概率图模型的实用价值。本文对该文章进行了编译介绍。第一部分：基本术语和问题设定机器学习领域内很多常见问题都涉及到对彼此相互独立的孤立数据点进行分类。比如：预测给定图像中是否包含汽车或狗，或预测图像中

07

读懂概率图模型：你需要从基本概念和参数估计开始

选自statsbot 作者：Prasoon Goyal 机器之心编译参与：Panda 概率图模型是人工智能领域内一大主要研究方向。近日，Statsbot 团队邀请数据科学家 Prasoon Goyal 在其博客上分两部分发表了一篇有关概率图模型的基础性介绍文章。文章从基础的概念开始谈起，并加入了基础的应用示例来帮助初学者理解概率图模型的实用价值。机器之心对该文章进行了编译介绍。第一部分：基本术语和问题设定机器学习领域内很多常见问题都涉及到对彼此相互独立的孤立数据点进行分类。比如：预测给定图像中是否包

GAN的发展系列一（CGAN、DCGAN、WGAN、WGAN-GP、LSGAN、BEGAN）

GAN的发展系列一（CGAN、DCGAN、WGAN、WGAN-GP、LSGAN、BEGAN）

04

生成模型&判别模型

在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。简单地说，判别式模型是针对条件分布建模，而生成式模型则针对联合分布进行建模。

00

机器学习实战之朴素贝叶斯

在学习朴素贝叶斯分类模型之前，我们回顾一下之前学习的KNN和决策树，读者本人的总结：不同的机器学习方法有着不同的假设和理论进行支撑，而这些假设和理论在很大程度上体现了该算法的优缺点。

05

机器学习实战之朴素贝叶斯

在学习朴素贝叶斯分类模型之前，我们回顾一下之前学习的KNN和决策树，读者本人的总结：不同的机器学习方法有着不同的假设和理论进行支撑，而这些假设和理论在很大程度上体现了该算法的优缺点。 KNN：在样本空间中，相同的类型数据在空间呈聚集状态，也就是距离会靠近，基于这个假设，只需要对测试样本与训练样本进行距离计算，最近距离的样本的类别很大程度上就是测试样本的类别。决策树：基于信息理论。样本数据是混乱的（熵高），但好在有特征这个东西，如何有效利用特征让样本不混乱，可分，这就是决策树需要完成的事情。而今天介

02

【机器学习】对数线性模型之Logistic回归、SoftMax回归和最大熵模型

本文介绍对数线性分类模型，在线性模型的基础上通过复合函数（sigmoid，softmax，entropy ）将其映射到概率区间，使用对数损失构建目标函数。首先以概率的方式解释了logistic回归为什么使用sigmoid函数和对数损失，然后将二分类扩展到多分类，导出sigmoid函数的高维形式softmax函数对应softmax回归，最后最大熵模型可以看作是softmax回归的离散型版本，logistic回归和softmax回归处理数值型分类问题，最大熵模型对应处理离散型分类问题。

02

python机器学习实战（三）

原文链接：www.cnblogs.com/fydeblog/p/7277205.html

00

python机器学习实战（三）

这篇博客是关于机器学习中基于概率论的分类方法--朴素贝叶斯，内容包括朴素贝叶斯分类器，垃圾邮件的分类，解析RSS源数据以及用朴素贝叶斯来分析不同地区的态度.

02

A.机器学习入门算法（二）: 朴素贝叶斯(Naive Bayes)

朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一。它是基于贝叶斯定义和特征条件独立假设的分类器方法。由于朴素贝叶斯法基于贝叶斯公式计算得到，有着坚实的数学基础，以及稳定的分类效率。NB模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。当年的垃圾邮件分类都是基于朴素贝叶斯分类器识别的。

02

机器学习之贝叶斯网络

前面学习了朴素贝叶斯的原理，并且利用朴素贝叶斯原理对西瓜数据集3.0数据集进行了分类：朴素贝叶斯“朴素”在哪里？，今天我们更进一步，来探讨一下贝叶斯网络的原理以及应用。

03

理解生成模型与判别模型

我们都知道，对于有监督的机器学习中的分类问题，求解问题的算法可以分为生成模型与判别模型两种类型。但是，究竟什么是生成模型，什么是判别模型？不少书籍和技术文章对这对概念的解释是含糊的。在今天这篇文章中，我们将准确、清晰的解释这一组概念。

02

Gibbs Gauss采样入门

Gibbs采样是一种马尔可夫链蒙特卡洛（MCMC）方法，用于从一个高维的概率分布中采样。在多元统计学和机器学习领域广泛应用。本文将介绍Gibbs采样的概念和步骤，并通过一个简单的例子演示如何使用Gibbs采样来采样从高斯分布中。

02

深度 | 详解可视化利器t-SNE算法：数无形时少直觉

机器之心整理参与：蒋思源本文介绍了 T 分布随机近邻嵌入算法，即一种十分强大的高维数据降维方法。我们将先简介该算法的基本概念与直观性理解，再从详细分析与实现该降维方法，最后我们会介绍使用该算法执行可视化的结果。 T 分布随机近邻嵌入（T-Distribution Stochastic Neighbour Embedding）是一种用于降维的机器学习方法，它能帮我们识别相关联的模式。t-SNE 主要的优势就是保持局部结构的能力。这意味着高维数据空间中距离相近的点投影到低维中仍然相近。t-SNE 同样能生

06

大数据技术之_19_Spark学习_08_Spark 机器学习_02_凸优化算法 + 线性回归算法 + FPGrowth 关联规则算法 + 决策树 + 随机森林算法

不严格的说，凸优化就是在标准优化问题的范畴内，要求目标函数和约束函数是凸函数的一类优化问题。

03

统计学习方法：朴素贝叶斯方法

贝叶斯法则是统计学的一个基础法则，它奠定了贝叶斯估计的理论基础，为统计估计提供了一条更客观科学的新思路。在当前的机器学习的概率模型中，有很多方法都是基于贝叶斯这个框架建立的。具体的，贝叶斯法则有如下推导：

03

统计学习方法之朴素贝叶斯1.概述2.基础知识3.基本方法4.参数估计5.简单实现

1.概述朴素贝叶斯分类是贝叶斯分类器的一种，贝叶斯分类算法是统计学的一种分类方法，利用概率统计知识进行分类，其分类原理就是利用贝叶斯公式根据某对象的先验概率计算出其后验概率（即该对象属于某一类的概率），然后选择具有最大后验概率的类作为该对象所属的类。总的来说：当样本特征个数较多或者特征之间相关性较大时，朴素贝叶斯分类效率比不上决策树模型；当各特征相关性较小时，朴素贝叶斯分类性能最为良好。另外朴素贝叶斯的计算过程类条件概率等计算彼此是独立的，因此特别适于分布式计算。朴素：特征条件独立贝叶斯：基于

08

python实现朴素贝叶斯模型:文本分类+垃圾邮件分类

学习了那么多机器学习模型，一切都是为了实践，动手自己写写这些模型的实现对自己很有帮助的，坚持，共勉。本文主要致力于总结贝叶斯实战中程序代码的实现（python）及朴素贝叶斯模型原理的总结。python的numpy包简化了很多计算，另外本人推荐使用pandas做数据统计。一引言　　让你猜测一个身高2.16的人的职业，你一般会猜测他是篮球运动员。这个原理就是朴素贝叶斯原理，因为篮球运动员大多身高很高，所以这个人具有篮球运动员的条件，则猜测他是篮球运动员。　　同理，另一个升高1.58的人，你应该不会猜他是

07

我的机器学习概率论篇排列组合古典概率联合概率条件概率全概率公式贝叶斯公式独立事件随机变量离散型随机变量连续型随机变量期望和方差三个基本定理参数估计

前言：概率论的理解有些抽象，掌握概率论的方法，用实际样本去无限接近真实，熟练掌握并且使用一些最基本的概念是前提，比如，均值，方差排列组合计算各种公式的基础排列 image.png

06

机器学习学习笔记（11）贝叶斯分类器

贝叶斯决策论是在概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记，

03

朴素贝叶斯原理

朴素贝叶斯算法（Naive Bayes, NB) 是应用最为广泛的分类算法之一。它是基于贝叶斯定义和特征条件独立假设的分类器方法。由于朴素贝叶斯法基于贝叶斯公式计算得到，有着坚实的数学基础，以及稳定的分类效率。NB模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。

01

EM Algorithm

EM算法和之前学的都不太一样，EM算法更多的是一种思想，所以后面用几个例子讲解，同时也会重点讲解GMM高斯混合模型。

07

EM Algorithm

EM算法和之前学的都不太一样，EM算法更多的是一种思想，所以后面用几个例子讲解，同时也会重点讲解GMM高斯混合模型。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭