今天看了一下樸素貝葉斯演算法。在看到如果樣本的某個特徵是連續屬性的情況下，需要計算出在所有類別下該特徵（該特徵在不同類別下的）高斯分布，說白了就是求出來在某一類別下該特徵的均值和標準差。那麼，給某乙個特徵的值，在帶入該特徵在各類的概率密度函式（pdf），就可以得到書中所說的「後驗概率」。
那麼問題來了，對於離散屬性的特徵，這樣是沒有問題的。但是pdf某一點的值，大學學的知識說是沒有意義的。求出乙個f(x)值後，用的話肯定是和一定的區域相關的！只求乙個f(x)是無法解釋的。其實，對於書裡的做法，可以這樣解釋：對於每一類所求出的「後驗概率」，均乘乙個x的鄰域的大小，又因為每類都要乘相同大小的值，最終又轉化成了概率密度函式的值。最大似然函式也是這樣。
其實，更重要的是對pdf的思考：概率密度函式度量的是密度，是乙個鄰域的頻數與鄰域長度的比值。
概率密度函式在某一點的值有什麼意義？
自本人一年前的知乎回答 搞清楚這個問題需要想到這麼幾個問題 課本上全概率的公式為 g x dx，那麼為什麼它是概率密度g x 乘dx的sum呢？dx又是什麼？它在某一點的概率為什麼是g x dx且趨近於0？如何形象的理解而非從幾何或者代數的角度思考？解答在下 a.先從離散的角度來考慮，假設甲在射箭，...
概率密度函式在某一點的值有什麼意義？
這個解釋很不錯 乙個物體，問你它在某乙個點處的質量是多少 因為乙個點是無限小的，所以點的質量一定為0。然而這個物體是由無數個點組成的，假如我們又需要求它質量，怎麼辦呢 於是引入密度的概念 lim v 0 m v rho lim v 0lim v m 最後再把密度積分就可以得到質量m了。同理，如果在 ...
均勻分布的概率密度函式 理解概率密度函式
概率密度函式是概率論中的核心概念之一，用於描述連續型隨機變數所服從的概率分布。在機器學習中，我們經常對樣本向量x的概率分布進行建模，往往是連續型隨機變數。很多同學對於概率論中學習的這一抽象概念是模糊的。在今天的文章中，sigai將直觀的解釋概率密度函式的概念，幫你更深刻的理解它。回憶我們在學習概率論...