Các lượt nộp
    Danh sách bài
    Trang chủ
    Báo lỗi

    solution

    Đề bài: [Data Science] Bernoulli Naive Bayes

    Bernoulli Naive Bayes dùng cho đặc trưng nhị phân. Có KKK lớp, ddd đặc trưng. Cho xác suất θc,j=P(xj=1∣c)\theta_{c,j}=P(x_j=1\mid c)θc,j​=P(xj​=1∣c), tiên nghiệm P(c)P(c)P(c), và vector nhị phân x∈{0,1}dx\in\{0,1\}^dx∈{0,1}d. Điểm của lớp ccc:

    sc=log⁡P(c)+∑j=1d[xjlog⁡θc,j+(1−xj)log⁡(1−θc,j)]s_c = \log P(c) + \sum_{j=1}^{d}\bigl[ x_j\log\theta_{c,j} + (1-x_j)\log(1-\theta_{c,j}) \bigr]sc​=logP(c)+∑j=1d​[xj​logθc,j​+(1−xj​)log(1−θc,j​)]

    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. Tiếp theo KKK dòng, mỗi dòng ddd giá trị θc,j\theta_{c,j}θc,j​. Dòng kế: KKK tiên nghiệm. Dòng cuối: ddd giá trị 0/1.

    • Ràng buộc đầu vào:

      1≤K≤501 \le K \le 501≤K≤50, 1≤d≤1001 \le d \le 1001≤d≤100, 0<θc,j<10 < \theta_{c,j} < 10<θc,j​<1, tiên nghiệm dương.

    • Định dạng đầu ra:

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

    Ví dụ:

    Đầu vào:

    2 2
0.9 0.1
0.1 0.9
0.5 0.5
1 0

    Đầu ra:

    0

    Giải thích:

    x=(1,0). Lớp0: log0.5+log0.9+log0.9; lớp1: log0.5+log0.1+log0.1. Lớp0 lớn hơn -> 0.

    Đang tải editor...