解释一下这个复合概率公式设 ti = （A|ti），下面这个公式是怎么来的：P(A|t1 ,t2,t3……tn)=（P1*P2*……PN）/[P1*P2*……PN+（1-P1）*（1-P2）*……（1-PN）]请用公式推导或用语言解释清楚_百度作业帮
解释一下这个复合概率公式设 ti = （A|ti），下面这个公式是怎么来的：P(A|t1 ,t2,t3……tn)=（P1*P2*……PN）/[P1*P2*……PN+（1-P1）*（1-P2）*……（1-PN）]请用公式推导或用语言解释清楚
解释一下这个复合概率公式设 ti = （A|ti），下面这个公式是怎么来的：P(A|t1 ,t2,t3……tn)=（P1*P2*……PN）/[P1*P2*……PN+（1-P1）*（1-P2）*……（1-PN）]请用公式推导或用语言解释清楚
设B:t1 ,t2,t3……tn全发生P(A|t1 ,t2,t3……tn)=P(A|B) = P(AB)/P(B)P(AB)=P(A t1)*P(A t2)...P(A tn)=P1*P2*...PNP(A_cB)=P(A_c t1)*...*P(A_c tn) =[1-P(A t1)]*...*[1-P(A tn)] = (1-P1）*（1-P2）*……（1-PN)P(B)=P(AB)+P(A_c B) = P1*P2*……PN+（1-P1）*（1-P2）*……（1-PN)=>P(A|t1 ,t2,t3……tn)=P(AB)/P(B)=（P1*P2*……PN）/[P1*P2*……PN+（1-P1）*（1-P2）*……（1-PN）]
左边式子 ：在T1...TN的条件下，A的概率，把Ti=ti的条件下A发生代入是说在（n个）（ti的条件下A 发生）的条件下A发生的概率不知道我说的明白不，就是t1....tn全发生且A发生。。。。。。。。。为分子t1......tn全发生。。。。。为分母 再具体点，TI....TN全发生： 包括A发生A不发生，所以式子分母会多一部分...
p1、p2…… 同时发生的概率占
p1、p2同时发生和同时不发生的概率和
为什么分母中不含 p1 p2 ...中有的发生有的不发生的概率？机器学习包括有监督学习(supervised learning)，无监督学习(unsupervised learning)，和半监督学习（semi-supervised learning）.在*有监督学习中，数据是有标注的，以(x, t)的形式出现，其中x是输入数据，t是标注.正确的t标注是ground truth， 错误的标记则不是。（也有人将所有标注数据都叫做ground truth）由模型函数的数据则是由(x, y)的形式出现的。其中x为之前的输入数据，y为模型预测的值。标注会和模型预测的结果作比较。在损耗函数(loss function / error function)中会将y 和 t 作比较，从而计算损耗(loss / error)。 比如在最小方差中：因此如果标注数据不是ground truth，那么loss的计算将会产生误差，从而影响到模型质量。比如输入三维，判断是否性感：1. 错误的数据标注数据1 ( (84,62,86) , 1)，其中x =(84,62,86), t = 1 。 标注数据2 ( (84,162,86) , 1)，其中x =(84,162,86), t = 1 。
这里标注数据1是ground truth， 而标注数据2不是。预测数据1 y = -1预测数据2 y = -12. 正确的数据标注数据1 ( (84,62,86) , 1)，其中x =(84,62,86), t = 1 。 标注数据2 ( (84,162,86) , 1)，其中x =(84,162,86), t = -1 。
（改为ground truth）这里标注数据1和2都是ground truth。预测数据1 y = -1预测数据2 y = -1由于使用错误的数据，对模型的估计比实际要糟糕。另外，标记数据还被用来更新权重，错误标记的数据会导致权重更新错误。因此使用高质量的数据是很有必要的。* 在半监督学习中，对标记数据也要进行比较
就是参考标准，一般用来做error quantification。比方说要根据历史数据预测某一时间的温度，ground truth就是那个时间的真实温度。error就是(predicted temperature - real temprature)。&br&&br&Ground truth当然还可以用来做reinforcement learning，就是在学习中加入奖励机制。比方说程序的输出越接近ground truth，用来产生这个结果的数据的weight越大。&br&&br&Wiki中的解释是：&br&&p&In &a href=&///?target=http%3A//en.wikipedia.org/wiki/Machine_learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&machine learning&i class=&icon-external&&&/i&&/a&, the term &ground truth& refers to the accuracy of the &a href=&///?target=http%3A//en.wikipedia.org/wiki/Training_set& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&training set&i class=&icon-external&&&/i&&/a&'s classification for &a href=&///?target=http%3A//en.wikipedia.org/wiki/Supervised_learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&supervised learning&i class=&icon-external&&&/i&&/a& techniques. This is used in &a href=&///?target=http%3A//en.wikipedia.org/wiki/Statistical_model& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&statistical models&i class=&icon-external&&&/i&&/a& to prove or disprove &a href=&///?target=http%3A//en.wikipedia.org/wiki/Research& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&research&i class=&icon-external&&&/i&&/a&&a href=&///?target=http%3A//en.wikipedia.org/wiki/Hypothesis& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&hypotheses&i class=&icon-external&&&/i&&/a&. The verb &ground truthing& refers to the process of gathering the proper objective data for this test. Compare with &a href=&///?target=http%3A//en.wikipedia.org/wiki/Gold_standard_%28test%29& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&gold standard (test)&i class=&icon-external&&&/i&&/a&.&/p&&p&&a href=&///?target=http%3A//en.wikipedia.org/wiki/Bayesian_spam_filtering& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Bayesian spam filtering&i class=&icon-external&&&/i&&/a& is a common example of supervised learning. In this system, the algorithm is manually taught the differences between spam and non-spam. This depends on the &i&ground truth&/i& of the messages used to inaccuracies in that ground truth will correlate to inaccuracies in the resulting spam/non-spam verdicts.&/p&
就是参考标准，一般用来做error quantification。比方说要根据历史数据预测某一时间的温度，ground truth就是那个时间的真实温度。error就是(predicted temperature - real temprature)。Ground truth当然还可以用来做reinforcement learning，就是在学习中…
神经网络/自然语言处理帮我看看这CPU市场价格大概在多少钱和解释一下这CPU的功能.还有解释一下下面的意思_百度知道
帮我看看这CPU市场价格大概在多少钱和解释一下这CPU的功能.还有解释一下下面的意思
手提电脑和台式电脑都能用么：
CPU上边写着，和能用在什么方面上：
AMD Sempron(TM)
SDA3000AI02BX
LFBAE 0702CAA
X80解释一下是什么意思CPU上边写着
呵呵 呃.还有问题问题的意思？ 我的是全新原装货了.是什么意思.谢谢各位了.最后两行的CPU都不同的.回答完之后看完立刻采纳速度帮我解答我所问的所有问题.我想知道的是大概卖多少钱.谢谢 不想收藏几千个在家.谢谢.十万火急了 市场价格市场价格！谢谢.麻烦了。急急急急急急急急急急.所以请帮我解释一下到底有什么用.高求速度.80高求答案.要答案..它下面还有两行字DIFFUSED IN SINGAPORE
MADE IN CHINA麻烦完善一下我问的问题..每一行都帮我解释下哦
提问者采纳
清楚了、果然是低端型号、所以不能给出具体用途,简单的说 “ADA3800IAA4CN”、是个台式机的型号、唯一能确定的是、AMD ATHLON tm64 这个表示AMD 阿斯龙 64位 ADA3800IAA4CN 这个表示、这款cpu在07年就停产了、华硕 P5KPL-AM SE、、？全新的买不到五十、 等等、、、，“I”代表采用Socket AM2接口、、但可以清楚地告诉你、、收藏了吧这是一款闪龙的低端cpu、他的价值不是很大、，其中ADA3800代表桌面用速龙64 3800+、这些主板也就三四百块钱。 LFBCF 0702GAA 这个表示07年2周生产 X07 这个就不知、他是AMD 闪龙 3000+、、还是利用空间不大、、，“CN”则代表采用Orleans核心、由于所给的信息不足以判断出它的具体型号、、、可以用的主板有华硕 P5G41C-M LX、，后面的4代表L2级缓存为512KB、、不要抬杠，“AA”代表具备智能温控技术、、、、肯定不能同时用在笔记本和台式机上、、 几千个、这要匹配相应的主板、
提问者评价
其他类似问题
为您推荐：
一下下的相关知识
其他4条回答
第一行指的是：生产日期07年第02周生产的。 最后那个指的是在新加坡生产这种CPU淘宝上20元左右一个，“A”表示采用Socket 754 OPGA封装。第四行是产口识别码就像身份证式的每个U一个号，“BX”表示是E6核心，“I”表示工作电压为1：AMD的“闪龙”处理器第二行指的是。第三行指的是，其中“SDA”表示桌面型Sempron处理器，“2”表示二级缓存L2容量为128KB，“3000”表示PR值为3000+.4V，“O”表示最高温度为69°：产品编号为“SDA3000AI02BX”
是AMD的速龙的CPU。主频1.8。外频200。倍频9。754针的、SDA3000AI02BX
LFBAE 0702CAA。这些的意义不大，可以忽略，几年前的CPU了，性能不是很好了，用在台式机上，现在几乎没有新的了，旧的也就2,3十吧，这个CPU在1G内存的情况下勉强的可以运行一些基本的网络游戏，显卡旧的配60元以上的。基本的浏览网页和小游戏，或少开一两个任务还能基本流畅，多了会死机。
不太好吧，台式的不行，你自己去攒台电脑的，花就能攒个特别号的电脑
AMD Sempron(TM） AMD公司的Sempron（闪龙）系列CPU，SDA3000AI02BX。SDA表示Sempron处理器，3000表示PR值为3000+。A表示Socket 754 OPGA封装754针，64位，二级缓存为128K.表示工作电压1.4V，0表示最高温度69，2表示二级缓存容量为128K，BX表示产品为E6核心的Sempron 64，剩下的基本上没有必要讲了。
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁&& 查看话题
FTIR分析 帮忙解释一下这个分析结果
如图所示,作者给出的分析如下：
There is a substantial decrease in the absorption intensity of –NH bending (cm-1)and –NH stretching (3388cm-1) after Cr adsorption.
1.我想知道作者是从何得到在波数cm-1和3388cm-1处吸收峰值持续降低呀，怎么丝毫看不出来？
2.我对FTIR图谱接触不多，想咨询一下如果把吸附前后的图形放置在同样一组图形当中的话，难道他们的透光率不会重叠在一起吗，还是把吸附后的透光率统一向下挪了某个值呢？
纵坐标没有刻度，数据线是平移过的。 : Originally posted by fds329 at
纵坐标没有刻度，数据线是平移过的。 拜托大婶不要惜字如金了
呵呵 貌似我懂了一点
意思是透光率是偏移了的
如果换做同一个透光率平行看的话
确实很明显的吸收峰下降:victory: : Originally posted by TonyGeN at
拜托大婶不要惜字如金了
呵呵 貌似我懂了一点
意思是透光率是偏移了的
如果换做同一个透光率平行看的话
确实很明显的吸收峰下降:victory:... :tiger36: 对红外，婶也不是很在行，只做过一次测试。
但是我的其它测试常这么作图，把数据线整体沿着纵坐标平移进行对比。 确定你测的物质在处理前后比较稳定的化学键，找出它的吸收峰，把两个谱图在此处拉平，以此作为基线，对比其它吸收峰强度变化。不过红外一般都是定性分析，定量方面不够准确。还有我不知道楼主是不是应该把透射转化成吸光度来对比？ 通过相对的光谱透过率可以看出来cm-1和3388cm-1 有明显的降低，简单的方法是从峰值处向底线做垂直线，观察长度即可。
此图经过了平移，所以看不来不是太容易。 比较容易的比较方法是把光谱的基线放到同一个位置，这样峰值的大小和变化就比较容易观察和解释了。 红外这东西解释起来好多时候都很牵强，有的时候会找理由去解释图的变化，有的时候又会为了采用某个论据而去寻找图上的变化，尽管有的变化不明显。
图谱不平移看不出来， 所以就把纵坐标处理了。 确定你测的物质在处理前后比较稳定的化学键，找出它的吸收峰，把两个谱图在此处拉平，以此作为基线，对比其它吸收峰强度变化 这个肯定是上下平移了，定性分析是可以很方便的对比在同一波数处，那些峰消失了，那些峰出现了，消失的峰对应着这个官能发生了变化，新出现的峰对应着新的官能团的产生！ 这个图是这样做出来的：步骤如下：1.在origin里倒入两个红外数据
2.将其中一个要上下平移的column选中右键，点击set column values出现下图，依次操作即可！
QQ截图47.png
QQ截图47.png : Originally posted by 马占伟 at
这个图是这样做出来的：步骤如下：1.在origin里倒入两个红外数据
2.将其中一个要上下平移的column选中右键，点击set column values出现下图，依次操作即可！
QQ截图47.png
QQ截图47.png
... 非常感谢哥儿们的耐心解答
我的作图方式可能跟你不一样
我是直接将图形做出来之后
选择了工具选项里面的平移纵坐标按钮 进行平移的 : Originally posted by TonyGeN at
非常感谢哥儿们的耐心解答
我的作图方式可能跟你不一样
我是直接将图形做出来之后
选择了工具选项里面的平移纵坐标按钮 进行平移的... 你好，你是怎么平移的，可否具体指教一下，谢谢