home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #27 / NN_1992_27.iso / spool / comp / ai / 4313 < prev    next >
Encoding:
Internet Message Format  |  1992-11-17  |  2.2 KB
  1. Xref: sparky comp.ai:4313 sci.math:15089 sci.math.stat:2362
  2. Path: sparky!uunet!charon.amdahl.com!pacbell.com!ames!sun-barr!cs.utexas.edu!zaphod.mps.ohio-state.edu!pacific.mps.ohio-state.edu!linac!att!ucbvax!ucdavis!wilma.ucdavis.edu!f175003
  3. From: f175003@wilma.ucdavis.edu
  4. Newsgroups: comp.ai,sci.math,sci.math.stat
  5. Subject: Looking for Good Intro to Bayesian Classifiers
  6. Message-ID: <19293@ucdavis.ucdavis.edu>
  7. Date: 16 Nov 92 21:25:27 GMT
  8. Sender: usenet@ucdavis.ucdavis.edu
  9. Followup-To: comp.ai
  10. Distribution: usa
  11. Organization: Computing Services, UC Davis
  12. Lines: 29
  13. Originator: f175003@wilma.ucdavis.edu
  14.  
  15. I am looking for a book or paper with a good introduction into using 
  16. Bayesian Classifiers preferably with a few examples showing how to 
  17. determine the probabilities.  I understand the idea behind a Bayesian 
  18. Classifier, but I have looked at a couple of examples of Bayesian 
  19. Classifiers and they appeared to use maximum likelihood estimators to 
  20. determine the values for the various probabilities.  According to my 
  21. statistics book, this method provides excellent estimates if the sample 
  22. size is large, but in the cases I hope to be dealing with I will only 
  23. have a few samples and want to get as much information from them as I can.
  24.  
  25. There has also been some discussion here about whether 
  26. there exist some values for the probabilities of the classes and the 
  27. probabilities of the various attributes given the class, which tells 
  28. you as much as possible from the given samples.  The methods I have 
  29. seen require a prior distribution and show you how to determine the 
  30. posterior distribution after seeing each example.  One then chooses a value 
  31. from this distribution using their favorite function, such as mean, median, 
  32. or mode, or equivalently by using some loss function.  It seems that their 
  33. is no value for the probabilities which will give you as much
  34. information as possible about the samples without chosing some
  35. type of loss function.  Is this correct and is there some way to 
  36. prove if it is or is not correct?
  37.  
  38. Please reply via email.  I'll appreciate any help I can get.
  39.  
  40. Robert Davis
  41. Department of Computer Science
  42. University of California, Davis
  43. email:  davisr@cs.ucdavis.edu
  44.