如何使用 MATLAB 解决这个条件概率问题？
如果 P( cj | xi ) 已知，其中 i=1,2,...n; j=1,2,...k;
我如何计算/估计： P( cj | xl , xm , xn ),其中 j=1,2,...k； l,m,n 属于 http://latex.mathoverflow .net/jsMath/fonts/cmsy10/alpha/120/char32.png {1,2,...n} ？
If P( cj | xi ) are already known, where i=1,2,...n; j=1,2,...k;
How do I calculate/estimate:
P( cj | xl , xm , xn ), where j=1,2,...k; l,m,n belongs to http://latex.mathoverflow.net/jsMath/fonts/cmsy10/alpha/120/char32.png {1,2,...n} ?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（2）
编辑2（按照OP的评论）
从贝叶斯规则我们知道
P(C|x1,x2,x3) ~ P(C)*P(x1,x2,x3|C)，因此对于分类，您可以计算所有C 的表达式=j并预测最可能的类别 (MAP)。现在计算
P(x1,x2,x3|C)，对于 iid 观测值，可以写为：P(x1,x2,x3|C) = P(x1|C)*P(x2|C)*P(x3|C)，给定一个参数模型，每个都可以很容易地计算。EDIT2 (following the OP's comment)
From bayes rule we know that
P(C|x1,x2,x3) ~ P(C)*P(x1,x2,x3|C)and therefore for classification, you compute that expression for allC=jand predict the most likely class (MAP).Now to compute
P(x1,x2,x3|C), for i.i.d observations, this can be written as:P(x1,x2,x3|C) = P(x1|C)*P(x2|C)*P(x3|C), which given a parametric model each could be computed easily.如果没有更多信息或简化假设，您想要做的事情是不可能的。
条件概率 P(A|B,C) 不是（完全/根本:）由 P(A|B) 和 P(A|C) 确定。
What you want to do is not possible without further information or simplifying assumptions.
The conditional probability P(A|B,C) is not (completely/at all :) determined by P(A|B) and P(A|C).