home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #27 / NN_1992_27.iso / spool / comp / ai / 4352 < prev    next >
Encoding:
Internet Message Format  |  1992-11-20  |  2.1 KB
  1. Xref: sparky comp.ai:4352 sci.math:15291 sci.math.stat:2389
  2. Path: sparky!uunet!spool.mu.edu!umn.edu!csus.edu!ucdavis!sundrops!davisr
  3. From: davisr@sundrops.cs.ucdavis.edu (Robert Davis)
  4. Newsgroups: comp.ai,sci.math,sci.math.stat
  5. Subject: Looking for Good Intro to Bayesian Classifiers
  6. Message-ID: <19238@ucdavis.ucdavis.edu>
  7. Date: 16 Nov 92 00:01:38 GMT
  8. Sender: usenet@ucdavis.ucdavis.edu
  9. Followup-To: comp.ai
  10. Distribution: usa
  11. Organization: Department of Computer Science, University of California, Davis
  12. Lines: 32
  13.  
  14. I am looking for a book or paper with a good introduction into using 
  15. Bayesian Classifiers preferably with a few examples showing how to 
  16. determine the probabilities.  I understand the idea behind a Bayesian 
  17. Classifier, but I have looked at a couple of examples of Bayesian 
  18. Classifiers and they appeared to use maximum likelihood estimators to 
  19. determine the values for the various probabilities.  According to my 
  20. statistics book, this method provides excellent estimates if the sample 
  21. size is large, but in the cases I hope to be dealing with I will only 
  22. have a few samples and want to get as much information from them as I can.
  23.  
  24. There has also been some discussion here at UC Davis about whether 
  25. there exist some values for the probabilities of the classes and the 
  26. probabilities of the various features given the class, which tells 
  27. you as much as possible from the given samples.  The methods I have 
  28. seen require a previous distribution and show you how to update this 
  29. distribution after seeing each example.  One then chooses a value from 
  30. this distribution using their favorite function, such as mean, median, 
  31. or mode, or by using a loss function.  From this it seems that their 
  32. is no value for the probabilities which will give you as much
  33. information as possible about the samples without chosing some
  34. type of loss function.  Is this correct and is there some way to 
  35. prove if it is or is not correct?
  36.  
  37. Please reply via email.  I'll appreciate any help I can get.
  38.  
  39. Robert Davis
  40. Department of Computer Science
  41. University of California, Davis
  42. email:  davisr@cs.ucdavis.edu
  43.  
  44.  
  45.  
  46.