Các lượt nộp
    Danh sách bài
    Trang chủ
    Báo lỗi

    solution

    Đề bài: [Data Science] Dự đoán nhãn Gaussian NB

    Gaussian Naive Bayes đầy đủ. Có KKK lớp, ddd đặc trưng. Mỗi lớp ccc có vector trung bình μc\mu_cμc​, phương sai σc2\sigma_c^2σc2​ (theo chiều) và tiên nghiệm P(c)P(c)P(c). Điểm của lớp ccc cho mẫu xxx:

    sc=log⁡P(c)−12∑j=1d[log⁡(2πσc,j2)+(xj−μc,j)2σc,j2]s_c = \log P(c) - \frac{1}{2}\sum_{j=1}^{d}\left[\log(2\pi\sigma_{c,j}^2) + \frac{(x_j-\mu_{c,j})^2}{\sigma_{c,j}^2}\right]sc​=logP(c)−21​∑j=1d​[log(2πσc,j2​)+σc,j2​(xj​−μc,j​)2​]

    Dự đoán lớp có điểm lớn nhất; nếu hòa chọn chỉ số lớp nhỏ hơn. In ra chỉ số lớp.

    • Định dạng đầu vào:

      Dòng 1: KKK, ddd. KKK dòng tiếp: μc\mu_cμc​. KKK dòng tiếp: σc2\sigma_c^2σc2​. Dòng kế: KKK tiên nghiệm. Dòng cuối: ddd giá trị xxx.

    • Ràng buộc đầu vào:

      1≤K≤501 \le K \le 501≤K≤50, 1≤d≤1001 \le d \le 1001≤d≤100, σc,j2>0\sigma_{c,j}^2 > 0σc,j2​>0, tiên nghiệm dương.

    • Định dạng đầu ra:

      Một số nguyên: chỉ số lớp dự đoán (0-based).

    Ví dụ:

    Đầu vào:

    2 1
0
5
1
1
0.5 0.5
1

    Đầu ra:

    0

    Giải thích:

    x=1 gần lớp0 (mu=0) hơn lớp1 (mu=5); cùng var và prior -> chọn lớp 0.

    Đang tải editor...