1、简单例子引入2、先验概率3、后验概率4、最小错误率决策5、最小风险贝叶斯决策 1.贝叶斯公式2简单例子正常情况下，我们可以快速的将街上的人分成男和女两类。这里街上的人就是我们观测到的样本，将每一个人分成男、女两类就是我们做决策的过程。上面的问题就是一个分类问题。分类可以看作是一种决策，即我们根据观测对样本...

注解：各位读者，经博客园工作人员反馈，hosts涉及违规问题，我暂时屏蔽了最新hosts，若已经获取最新hosts的朋友们，注意保密，不要外传。给大家带来麻烦，对此非常抱歉!!!开篇概述1、详解googleChrome浏览器，这个标题似乎抽象了一些，我想应该把它拆分成如下几个问题，也许会更加容易理解一些。问题1：目前开...

 还请大家多多指点，一起进步喔。贝叶斯方法是以贝叶斯原理为基础，使用概率统计的知识对样本数据集进行分类。由于其有着坚实的数学基础，贝叶斯分类算法的误判率是很低的。贝叶斯方法的特点是结合先验概率和后验概率，即避免了只使用先验概率的主管偏见，也避免了单独使用样本信息的过拟合现象。贝叶斯分类算法在数据集较大的情况下...

1、最早提出对安全协议形式化分析思想的是Needham和Schroeder[8] 1978年他们为进行共享和公钥的认证的认证服务系统的实现建立了安全协议即Needham-Schroeder安全协议，（简称NS安全协议）这个协议在信息安全领域产生了深远的影响，引发了安全协议领域的许多重要问题的研究，这个协议最初...

 比起CAP的生硬来，我更加喜欢BASE。BASE显得更加好理解。尽管BASE这个名字本身有迎合语言习惯的恶臭味，为什么不是缩写为BaSsEc呢？其实大部分系统是可以同时CAP的，因为TM网络问题也不是大概率！当然对于大型分布式系统可能就不一样的了！介绍1 BASE理论BASE是指基本可用（Basi...

分布式系统、理论、协议非常非常多，它们多cap的支持是怎么样的呢？ 需要注意的是，分布式系统为了应付各种复杂应用场景，支持各种各样的功能，可能有的提供了选项或某种机制，某个时刻，支持CP，另外某个时刻又变成了支持AP等等等角色不是一成不变的。CAP的出现是2000年，现在差不多18年过去了，当时的论点，在现在...

关于PP，即Partition字面意思是网络分区，其实包括了各种网络问题，我们要把它理解一个广义的分区问题。P涉及到了时间，这么说吧，出现了分区，那就是节点之间“长久的”不能通信，出现延迟、超时就是“暂时的”不能通信——到底多久才算是超时呢？所以说...

谈及分布式，必然谈到CAP，CAP已经是被说烂了的一个话题，绕不开，逃不掉。 而且，理解起来会有些吃力。分布式的CAP理论告诉我们“任何一个分布式系统都无法同时满足一致性（Consistency）、可用性（Availability）和分区容错性（Partitiontolerance），最多只能同时...

本文转载至：http://blog.csdn.net/geeklx/article/details/51146151（微信支付现在分为v2版和v3版，2014年9月10号之前申请的为v2版，之后申请的为v3版。V3版的微信支付没有paySignKey参数。）写在最前面： V3WxpayPubHelper亲测有...

本博客仅为作者记录笔记之用，不免有非常多细节不正确之处。还望各位看官能够见谅，欢迎批评指正。博客虽水，然亦博主之苦劳也。如需转载，请附上本文链接，不甚感激！http://blog.csdn.net/cyh_24/article/details/50359055写这篇博客的动力是源于看到了以下这篇微博：我在看到这篇微博的...

　　已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。这里先解释什么是条件概率：表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为：。     贝叶斯定理之所以有用，是因为我...

...

1准备知识：条件概率公式相信学过概率论的同学对于概率论绝对不会陌生，如果一时觉得生疏，可以查阅相关资料，在这里主要是想贴出条件概率的计算公式：　　P(A|B)=P(A,B)/P(B)=P(B|A)*P(A)/P(B)2如何使用条件概率进行分类　　假设这里要被分类的类别有两类，类c1和类c2，那么我们需要计算概率p(c1...

本文介绍朴素贝叶斯算法如何对文本进行分类。比如，每个用户的购物评论就是一篇文本，识别出这篇文本属于正向评论还是负面评论就是分类的过程，而类别就是：{正面评论，负面评论}。正面评论为Positive，用标识符'+'表示；负面评论为Negative，用标识符'-'表示。 一，分类目标寻找文本的某些特征，然后根据这...

在前面两篇文章中：机器学习中的贝叶斯方法---先验概率、似然函数、后验概率的理解及如何使用贝叶斯进行模型预测（1）机器学习中的贝叶斯方法---先验概率、似然函数、后验概率的理解及如何使用贝叶斯进行模型预测（2） 我们以抛硬币作为示例，介绍了如何使用概率论的方法来构造机器学习中的预测模型---通过概率论理论来求...