Các lượt nộp
    Danh sách bài
    Trang chủ
    Báo lỗi

    solution

    Đề bài: [Data Science] Log-likelihood Gaussian Naive Bayes

    Trong Gaussian Naive Bayes, mỗi đặc trưng được giả định độc lập và phân phối chuẩn. Cho vector trung bình μ\muμ, phương sai σ2\sigma^2σ2 (theo từng chiều) của một lớp và một mẫu x∈Rdx \in \mathbb{R}^dx∈Rd, log-likelihood của mẫu dưới lớp đó:

    log⁡p(x)=−12∑j=1d[log⁡(2πσj2)+(xj−μj)2σj2]\log p(x) = -\frac{1}{2}\sum_{j=1}^{d}\left[ \log(2\pi\sigma_j^2) + \frac{(x_j-\mu_j)^2}{\sigma_j^2} \right]logp(x)=−21​∑j=1d​[log(2πσj2​)+σj2​(xj​−μj​)2​]

    In ra log-likelihood.

    • Định dạng đầu vào:

      Dòng 1: ddd. Dòng 2: ddd giá trị μj\mu_jμj​. Dòng 3: ddd giá trị σj2\sigma_j^2σj2​. Dòng 4: ddd giá trị xjx_jxj​.

    • Ràng buộc đầu vào:

      1≤d≤1001 \le d \le 1001≤d≤100, σj2>0\sigma_j^2 > 0σj2​>0.

    • Định dạng đầu ra:

      Một số thực log-likelihood, định dạng 2 chữ số thập phân.

    Ví dụ:

    Đầu vào:

    1
0
1
0

    Đầu ra:

    -0.92

    Giải thích:

    d=1, mu=0, var=1, x=0: ll=-0.5*(log(2*pi*1)+0)=-0.5*1.8379=-0.9189 -> -0.92.

    Đang tải editor...