โดยทั่วไปตัวจําแนกแบบไร้เดียงสา Bayes ไม่ใช่แบบเชิงเส้น แต่ถ้าปัจจัยความน่าจะเป็นมาจากครอบครัวแบบเอ็กซ์โพเนนเชียลตัวจําแนกแบบไร้เดียงสา Bayes นั้นจะตรงกับตัวจําแนกเชิงเส้น นี่คือวิธีการดูนี้p ( xผม∣ c )
คุณสามารถเขียนตัวจําแนกเบส์ที่ไร้เดียงสาเป็น *
p ( c = 1 ∣ x ) = σ( ∑ผมเข้าสู่ระบบp ( xผม∣ c = 1 )p ( xผม∣ c = 0 )+ บันทึกp ( c = 1 )p ( c = 0 )) ,
ที่เป็นฟังก์ชั่นโลจิสติก ถ้ามาจากตระกูล exponential เราสามารถเขียนมันเป็นp ( x ฉัน ∣ c )σp ( xผม∣ c )
p ( xผม∣ c ) = hผม( xผม) ประสบการณ์( คุณ⊤ฉันคφผม( xผม) -ผม( คุณฉันค) ) ,
และด้วยเหตุนี้
p ( c = 1 ∣ x ) = σ( ∑ผมW⊤ผมφผม( xผม) + b ) ,
ที่ไหน
Wผมข= uฉัน1- คุณฉัน0,= บันทึกp ( c = 1 )p ( c = 0 )- ∑ผม( กผม( คุณฉัน1) -ผม( คุณฉัน0) )
โปรดทราบว่านี้จะคล้ายกับการถดถอยโลจิสติก - ลักษณนามเชิงเส้น - ในพื้นที่คุณลักษณะที่กำหนดโดย\เป็นเวลากว่าสองชั้นเราได้รับ analogously โลจิสติกพหุนาม (หรือ softmax) ถดถอยφผม
ถ้าเป็น Gaussian แล้วและเราควรมี
ϕ ฉัน ( x i ) = ( x i , x 2 i ) w ฉัน1p ( xผม∣ c )φผม( xผม) = ( xผม, x2ผม)
Wฉัน1Wฉัน2ขผม= σ- 21μ1- σ- 20μ0,= 2 σ- 20- 2 σ- 21,= บันทึกσ0- บันทึกσ1,
สมมติว่า{2}p ( c = 1 ) = p ( c = 0 ) = 12
* นี่คือวิธีรับผลลัพธ์นี้:
p ( c = 1 ∣ x )= p ( x ∣ c = 1 ) p ( c = 1 )p ( x ∣ c = 1 ) p ( c = 1 ) + p ( x ∣ c = 0 ) p ( c = 0 )= 11 + p ( x ∣ c = 0 ) p ( c = 0 )p ( x ∣ c = 1 ) p ( c = 1 )= 11 + ประสบการณ์( - บันทึกp ( x ∣ c = 1 ) p ( c = 1 )p ( x ∣ c = 0 ) p ( c = 0 ))= σ( ∑ผมเข้าสู่ระบบp ( xผม∣ c = 1 )p ( xผม∣ c = 0 )+ บันทึกp ( c = 1 )p ( c = 0 ))