|
|
@@ -24,7 +24,7 @@ $p_i$是$x_i$所依赖的属性
|
|
|
|
|
|
当遇到不完整的训练样本时，可通过使用EM算法对模型参数进行评估来解决。
|
|
|
|
|
|
-## 7.17&7.18
|
|
|
+## 7.17-7.18
|
|
|
$$P_{(\boldsymbol x_{i}|c)}\in[0,1]$$
|
|
|
$$p_{(\boldsymbol x_{i}| c)}$$
|
|
|
[解析]：式(7.17)所得$P_{(\boldsymbol x_{i}|c)}\in[0,1]$为条件概率，但式(7.18)所得$p_{(\boldsymbol x_{i}| c)}$为条件概率密度而非概率，其值并不在局限于区间[0,1]之内。
|
|
|
@@ -38,11 +38,13 @@ $$P(c|\boldsymbol x)\propto\sum\limits_{i=1}^{d}P(c_{i}|\boldsymbol x_{i})\prod
|
|
|
此即为式7.23
|
|
|
[解析]：式(7.24)和式(7.25)的使用到了$|D_{c,x_{i}}|$与$|D_{c,x_{i},x_{j}}|$，若$|D_{x_{i}}|$集合中样本数量过少，则$|D_{c,x_{i}}|$与$|D_{c,x_{i},x_{j}}|$将会更小，因此在式(7.23)中要求$|D_{x_{i}}|$集合中样本数量不少于$m^{'}$。
|
|
|
|
|
|
-## [勘误]
|
|
|
-7.3节例子计算有笔误，第152页的第9个等式应为$P_{(凹陷|\boldsymbol 是)}=\cfrac{5}{8}$。截止到目前（第28次印刷），西瓜书官方勘误修订仅在第8次印刷时修正了第3个等式$P_{(蜷缩|\boldsymbol 是)}$，但第9个等式仍未修正（若修正第84页的西瓜数据集3.0也可，但亦未修正）。
|
|
|
+
|
|
|
|
|
|
|
|
|
## 附录
|
|
|
+### 勘误
|
|
|
+7.3节例子计算有笔误，第152页的第9个等式应为$P_{(凹陷|\boldsymbol 是)}=\cfrac{5}{8}$。截止到目前（第28次印刷），西瓜书官方勘误修订仅在第8次印刷时修正了第3个等式$P_{(蜷缩|\boldsymbol 是)}$，但第9个等式仍未修正（若修正第84页的西瓜数据集3.0也可，但亦未修正）。
|
|
|
+
|
|
|
#### sklearn调包
|
|
|
|
|
|
```python
|
Sm1les