資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究基於統計的演算法有哪些型別？
基於統計的演算法主要有兩種型別，如下所示：
迴歸 - 迴歸問題涉及根據輸入值評估輸出值。當用於分類時，輸入值是來自資料庫的值，輸出值定義類別。迴歸可以用來闡明分類問題，但它也用於其他應用，包括預測。迴歸的基本形式是簡單線性迴歸，它只包含一個預測變數和一個預測值。
迴歸可以透過兩種不同的方法來實現分類，如下所示：
劃分 - 資料根據類別劃分為不同的區域。
預測 - 建立公式來預測輸出類別的值。
貝葉斯分類 - 統計分類器用於分類。貝葉斯分類基於貝葉斯定理。貝葉斯分類器在應用於大型資料庫時，具有較高的效率和速度。
貝葉斯定理 - 令 X 為一個數據元組。在貝葉斯方法中，X 被視為“證據”。令 H 為某個假設，包括資料元組 X 屬於特定類別 C。機率 P (H|X) 用於定義資料。此機率 P (H|X) 是在給定“證據”或觀察到的資料元組 X 的情況下，假設 H 成立的機率。
P (H|X) 是 H 在給定 X 條件下的後驗機率。例如，假設資料元組的特徵僅限於由屬性年齡和收入定義的使用者，並且 X 是一個 30 歲的使用者，收入為 20,000 元。假設 H 是使用者將購買電腦的假設。因此，P (H|X) 反映了在知道使用者年齡和收入的情況下，使用者 X 將購買電腦的機率。
P (H) 是 H 的先驗機率。例如，這是任何給定使用者購買電腦的機率，無論年齡、收入或其他任何資料。後驗機率 P (H|X) 基於比先驗機率 P (H) 更多的資訊，P (H) 不依賴於 X。
同樣，P (X|H) 是 X 在給定 H 條件下的後驗機率。它是使用者 X 年齡為 30 歲且收入為 20,000 元的機率。
P (H)、P (X|H) 和 P (X) 可以從給定的資訊中測量。貝葉斯定理提供了一種從 P (H)、P (X|H) 和 P(X) 計算後驗機率 P (H|X) 的方法。它由以下公式給出：
$$P(H|X)=\frac{P(X|H)P(H)}{P(X)}$$
8K+ 次瀏覽
