如家快捷酒店
如家快捷酒店
如家快捷酒店，提供标准化、干净、温馨、舒适、贴心的酒店住宿产品，为海内外八方来客提供安心、便捷的旅行住宿服务。如家始终以顾客满意为基础，以成为“大众住宿业的卓越领导者”为愿景，向全世界展示着中华民族宾至如归的“家”文化服务理念和民族品牌形象。
目录
如家成立至今，更以敏锐的市场洞察力、完善的人力资源体系、有力的管理执行力和强大的资金优势迅速建立起了品牌、系统、技术、客源等多个核心竞争力。作为行业标杆企业，如家正用实际行动引领着中国大众住宿业酒店市场走向成熟和完善。
如家图册(8张)
编辑本段酒店理念
如家酒店连锁于2002年6月由中国资产最大的酒店集团――首都旅游国际酒店集团、中国最大的酒店分销商――携程旅行服务公司共同投资组建。公司借鉴在欧美完善成熟的经济型酒店模式，为商务和休闲旅行等客人提供“干净、温馨”的酒店产品，
酒店理念
倡导“适度生活，自然自在”的生活理念。
编辑本段酒店使命
使命：用我们的专业知识和精心规划，使我们服务和产品的效益最高，从而为我们的客户提供“干净、温馨”经济型酒店产品；要让我们的员工得到尊重，工作愉快，以能在“如家”工作而自豪；同时使得投资者能够获得稳定而有竞争力的回报；由此创造我们的“如家”品牌。
经济型酒店是在欧美及日本等发达国家发展起来的一种成熟的酒店经营模式，其定位于普通消费大众，基本设施齐全，以B&B(住宿bed和早餐breakfast)为核心产品，为客人提供有限服务（limited-service）。在国内城市居民已进入大规模休闲度假旅游消费阶段以及中小型商务客人日益增多的大背景下，中国经济型酒店酝酿了无限的商机，与传统星级酒店共同瓜分市场。中国星级酒店有1.1万多家，其中三星级以上酒店5000家，但这些中高档酒店不能满足这部分市场需求；
编辑本段如家大事记
如家大事记
2001年8月携程旅行网成立唐人酒店管理（香港）有限公司，计划在国内发展经济型连锁酒店项目，并就中国宾馆行业特点，拟定商业模型。
2001年8月起公司以“唐人”（Tang’s Inn）作为品牌名，重点发展3星以下的宾馆成为唐人品牌的连锁加盟店，并把特许经营作为商业模型的核心。
2001年12月公司正式将“如家”（Home Inn）定为品牌名，并申请商标注册（曾用名：“唐人”、“朋来”）。
2001年“如家”成功发展了11家加盟酒店。
2002年5月华东地区第一家如家快捷酒店――上海世纪公园店，改建工程开工，同时标志着如家酒店连锁把“直营店”作为品牌发展的重点。
2002年6月携程旅行网与首都旅游集团，正式成立合资公司，定名为“如家酒店连锁”，“如家快捷酒店”是核心品牌。
2002年6月首旅集团下属的原“建国客栈”4家连锁店统一翻牌为“如家快捷酒店”，成为首批如家酒店连锁直营酒店。
2002年6月如家酒店连锁店数量达到20家。
2002年12月如家酒店连锁全国免费预订电话正式开通。
2003年1月如家”第一家特许经营店签约，同时也成为国内酒店品牌第一个真正意义上的特许经营案例。
2003年2月如家酒店连锁荣获2002年“中国饭店业集团20强”。
如家酒店
2003年4月至6月由于SARS的影响，中国旅游业损失惨重，在众多酒店入住率跌至10%以下的低迷时期，如家快捷酒店创造了平均入住率50%以上，部分连锁店出租率曾高达70%。
2004年2月首都旅游集团总裁梅蕴新、如家董事长杨建民、董事黄小波、首都旅游集团市场部总经理丁小亮一行在如家首席运营官梁日新的陪同下，一同参观了如家在上海和苏州的分店，并给予如家积极的评价。
2004年3月如家酒店连锁率先在上海成立了如家酒店管理学院，给全体如家人提供了一个良好的学习平台，严把酒店质量关，保持品牌的一致性。
2004年7月如家作为唯一的经济型酒店，获得2004中国饭店业民族品牌先锋。
2004年7月至8月7月28和8月5日，如家在北京和上海等地新开8家店之际，分别在北京和上海两地举行了两周年庆典。
2005年1月如家酒店管理平台正式使用
2005年1月酒店管理平台正式使用
2005年7月开通网上预定支付系统
2005年9月第51家店——北京学清路店开业
2005年10月如家采购平台正式使用
2005年11月如家和知名汽车租赁品牌安飞士汽车租赁达成战略合作协议
2005年11月第61家店——北京东直门店开业
2006年1月如家管理年会顺利召开，来自18个省和直辖市的如家人汇聚一堂，共商大计。
2006年3月第71家店——江阴人民东路店开业
2006年4月中国酒店『金枕头』奖，由中国顶尖财经媒体《21世纪经济报道》于2004年发起主办,是中国乃至亚洲地区最为引人瞩目的酒店行业评选活动，迄今为止已成功举办了二届。活动经过三个多月的评选，综合了40名业界知名评委、上万名酒店住户以及超过300，000名网友、短信评分，如家在第三届评选中获得“中国最佳经济型连锁酒店品牌”，同时CEO孙坚先生获得“年度最佳经理人大奖”。
2006年5月如家赞助东方卫视，全程参与“加油！好男儿！”活动2006年5月5月，如家荣获中国旅游饭店业协会主办的“2006中国经济型酒店品牌先锋”。
2006年5月第131家店——上海镇坪路店顺利签约
2006中国经济型酒店品牌先锋会
2007-10-20日如家以3.4亿元人民币的价格收购国内经济型连锁酒店排名第八位的“七斗星”100%股权，双方已于10月21日签署相关的收购合同。收购完成后，如家拥有酒店数量将超过330家，这也是国内经济型连锁酒店间第一桩大规模收购案。
2008年2月如家签约第500家连锁酒店。
2008年3月如家商标被评为中国驰名商标
2008年4月如家在第五届『金枕头』奖评选中获得“中国最佳经济型连锁酒店品牌”，同时CEO孙坚先生获得“中国酒店杰出人物”
2008年12月首家和颐酒店（上海漕宝路店）开幕，如家酒店集团成立；
如家酒店集团在荷兰CRF集团“2009中国杰出雇主”华东地区的评选中荣膺“华东地区杰出雇主”。这是继获得2007年最佳雇主后再次获得此殊荣。
如家酒店集团CEO孙坚先生入围“中国改革开放30年经济百人榜”并荣获“中国改革开放30年社会服务业十大领军人物”称号；
如家酒店集团CEO孙坚
2009年5月7日如家向携程定向增发的751.45万股普通股。在交易完成之后，一直身为如家股东之一的携程极有可能以18.25%的持股比例，超过北京首都旅游集团，成为如家新的最大股东。
2009年10月蚌埠如家快捷酒店（火车站店）开幕。
2009年10月30日，CEO孙坚荣获“安永企业家中国2009” 殊荣。在上海举行的安永企业家中国2009的颁奖大会上，如家酒店集团CEO孙坚获得评委的一致好评，从参选的众多企业家中脱颖而出，成为十二位“安永企业家中国2009”得主之一，这也是中国酒店行业的企业家第一次获得该奖。
2010年如家被纳入纳斯达克中国指数股。纳斯达克OMX全球指数集团(NASDAQ OMX Global Index Group)近日公布了纳斯达克中国指数(NASDAQ China Index)的年度重新排名。根据最新的年度排名，如家酒店（HMIN）、
盛大网络游戏等6公司从3月22日起被纳入纳斯达克中国指数(NASDAQ China Index) 成份股。
世博促进住宿业发展高铁刺激旅行市场延伸
针对2010年的上海世博会对酒店业的影响，如家酒店集团CEO孙坚谈到：“2010年上海世博会将会对酒店业产生积极影响，上海现有的50万间酒店客房将会满足长达6个月，大约7000万人次来沪的住宿需求，市场会保持供求平衡。”。在谈到上海世博会与北京奥运会对于酒店市场的需求不同点时，孙坚先生认为，上海世博会与北京奥运会的住宿市场有三个明显不同特征：从主要目标客户来看，上海世博会住宿需求主要以国内游客为主，而北京奥运会的主要游客为国际游客；从时间长度来看，上海世博会时间长达180天左右，而北京奥运会则在20天左右，酒店需求分为前、中、后三个时期；从价格上来看，上海世博会酒店价格普遍上涨10-20%，而北京奥运会期间酒店普遍上涨50%以上，高星酒店普遍上涨1倍以上。这三点决定了上海世博会的酒店市场需求特征跟北京奥运会有明显的不同。
谈到高速铁路近几年在国内的高速发展的时候，孙坚先生认为，高铁、高速公路等现代交通工具的发展对于国内的旅行市场产生革命性的影响。到2020年，高铁将把中国所有省会和50万人口以上的城市连接起来，覆盖90%的人口，这将刺激人们更多的旅行，从而带动大众住宿业进入黄金发展时期，经济型酒店市场也将面临着更多的发展机会。他举例说到，武汉到广州高速铁路已经对于武汉的旅行市场产生了巨大影响，春节期间，大量广、深游客前往武汉旅行，同时亦有大量的武汉旅客前往广深，经济型酒店明显收益于武汉——广州高铁的开通。
调高2010年全年业绩预测如家第一季度实现开门红
5月12日，国内最大的综合性酒店集团之一的如家酒店（NASDAQ: HMIN）在上海公布了截止2010年3月31日的第一季度未经审计的公司财报。根据财报显示： 2010年第一季度营业收入比2009年同期增长了28.3% ，达到6.829 亿人民币（约合1.000亿美元），超出了此前公司估计的
6.500—6.700亿元。
依美国通用会计准则，如家2010年第一季度净利润为人民币4605万元（约合675万美金）。
如家2010年第一季度未计入利息、税费、折旧和摊销之前（E BI TD A）的利润为人民币1.457亿元(约合2134万美元)。扣除回购可转换债券、汇兑损失以及股权奖励支出，如家2010年第一季度未计入利息、税费、折旧和摊销之前（EBITDA）的利润为人民币1.549亿元(约合2269万美元)，相比去年同期6045万元（约合880万美元），同比增长了156.2%。
2010年第一季度,如家美国存托股票(ADR)每股稀释利润为1.08元人民币（约合0.16美元）；经调整的非美国通用会计准则的如家美国存托股票（ADR）每股稀释利润为1.30元人民币（约合0.19美元）。
如家2010年第一季度新开设了22家特许经营酒店。截至2010年3月31日，如家共有638家酒店投入运营，包括390家租赁经营酒店和248家特许经营酒店，其中包括一家面向中高端市场的商务型酒店和颐酒店（H—Hotel），每家酒店平均客房数量为116间，酒店业务已经覆盖了中国121个城市。截至2010年3月31日，如家还有13家直营经营酒店和70家特许经营酒店已经签约。
如家2010年第一季度的酒店入住率为90.5%，2009年同期为82.6%，2009年第四季度为92.9%；如家2010年第一季度每间客房每天平均营收为人民币144元，2009年同期为人民币130元，2009年第四季度为149元。
如家CEO孙坚先生说到：“随着中国经济良性发展，在遵循我们既定的战略的前提下，我们第一季度获得了良好的经营业绩。我们的主要效绩指标超越2009年同期，而且许多指标超越了历史最好的结果。我们将继续不断地扩展我们的业务，扎实推进公司的战略计划,继续力求发展和盈利的平衡。随着良好的成本控制、酒店经营管理的提升、特许酒店与直营酒店比例优化，我们的利润率在接下来的几个季度中将保持稳定。自我们开始进入一些二三四线城市后，平均房价有所下降。但从2010年第一季度的经营状况看来，给我们很大鼓舞的是这一状况已经扭转，如家在保证出租率稳中有升的情况下，实现平均房价的回升和稳定。优秀的经营业绩使得我们能专注于继续新开更多的酒店。”
如家预计，2010年第二季度总营收预计为人民币7.900亿元(约合
1.157亿美元)到人民币8.100亿元(约合1 .187亿美元)，比2009年第二季度增长23-26%。同时如家调高全年经营业绩预期，预计2010年全年营业收入比2009年全年收入增长幅度在20%—24%，高于公布2009年全年财报时预测的18%—22%，主要归因于中国经济的不断增长和如家运营效率的提高。这些预计反映了如家当前和初步观点，未来可能会有所调整。
2011年5月1日3时许，吉林省通化市“如家酒店”一号店起火，到4时多大火被扑灭。目前已有10人死亡，35人受伤。经初步判断，此次火灾是由于楼梯间失火引起浓烟上窜，10名死者送至医院后因窒息经抢救无效后死亡。
编辑本段酒店荣誉
2010年5月25日，由《21世纪经济报道》、《商务旅行》主办的“21世纪酒店业高峰论坛(2010)暨第七届“中国酒店『金枕头』奖”颁奖盛典在杭州黄龙饭店盛大召开。全球顶尖酒店集团和管理公司、亚洲酒店业精英、专家学者及《21世纪经济报道》的商务读者近300人出席，就中国酒店业发展趋势、中国酒店业态的多样化、本土酒店国际化和国际酒店本土化等问题进行深度探讨。
如家快捷给旅客提供舒适住宿服务，更成为低碳生活的引导者和示范者。如家鼓励客人减少一次性用品的使用、节约用电用水、低碳环保技术的应用、也在推动消费者环境意识的提高、转变生活方式等方面起到了关键作用。在结合业内众多专家评委、“神秘人计划”考察以及数百万名网友评分后，如快捷品牌在200多个经济型连锁酒店参选品牌中脱颖而出，荣获“2010年度中国最受欢迎绿色经济型连锁酒店品牌”，这是如家快捷自2006年以来连续五年获得中国经济型酒店的唯一单项大奖。如家酒店集团旗下于2008年12月新开业的和颐酒店以其良好经营业绩、独特定位、全新的模式获得“2010年最佳中、高端商务酒店”。
与此同时，如家酒店集团CEO孙坚凭借自己丰富的酒店管理经验、卓越的酒店业绩及对中国旅游业的“特殊贡献”，第四次荣誉当选“2010年度中国酒店行业领袖人物”。
编辑本段如家分布
如家在全国的具体分布情况：
上海如家快捷酒店分布(66) 北京如家快捷酒店分布(69)
天津如家快捷酒店分布(30) 苏州如家快捷酒店分布(27)
杭州如家快捷酒店分布(27) 西安如家快捷酒店分布(26)
南京如家快捷酒店分布(17) 无锡如家快捷酒店分布(14)
武汉如家快捷酒店分布(13) 郑州如家快捷酒店分布(13)
沈阳如家快捷酒店分布(11) 成都如家快捷酒店分布(10)
哈尔滨如家快捷酒店分布(10) 广州如家快捷酒店分布(10)
长春如家快捷酒店分布(8) 福州如家快捷酒店分布(8)
重庆如家快捷酒店分布(7) 宁波如家快捷酒店分布(7)
济南如家快捷酒店分布(7) 常州如家快捷酒店分布(7)
石家庄如家快捷酒店分布(7) 深圳如家快捷酒店分布(7)
兰州如家快捷酒店分布(7) 青岛如家快捷酒店分布(6)
大连如家快捷酒店分布(6) 马鞍山如家快捷酒店分布(1)
南昌如家快捷酒店分布(6) 烟台如家快捷酒店分布(5)
呼和浩特如家快捷酒店分布(5)
长沙如家快捷酒店分布(5) 南宁如家快捷酒店分布(5)
厦门如家快捷酒店分布(5) 昆明如家快捷酒店分布(4)
芜湖如家快捷酒店分布(4)佛山如家快捷酒店分布(4)
合肥如家快捷酒店分布(4) 乌鲁木齐如家快捷酒店分布(3)
包头如家快捷酒店分布(3) 徐州如家快捷酒店分布(3)
南通如家快捷酒店分布(3) 吉林如家快捷酒店分布(3)
贵阳如家快捷酒店分布(3) 东莞如家快捷酒店分布(3)
银川如家快捷酒店分布(3)泰安如家快捷酒店分布(3)
为社会承担企业公民的责任
编辑本段如家酒店服务理念
CONVIENCE 便捷：便捷的交通，使您入住如家从此差旅无忧。
如家的使命
WARMTH 温馨：亲切的问候和照顾，让您仿佛置身温馨的家庭氛围。
COMFORT 舒适：我们在意每一个细节，专业服务为您带来舒适的住宿感受。
VALUE 超值：贴心的价格，高品质的服务，选择如家，超值就是这么简单。
MISSION 使命：图
编辑本段如家创始人季琦
人物简介
如家创始人季琦
季琦，1966年10出生于江苏省如东县；1985年9月考入上海交通大学工程力学系本科；1989年8月至1992年3月上海交通大学机械工程系机器人专业硕士；1992年3月至1994年6月任长江计算机集团上海计算机技术服务公司历任技术支持部工程师、销售工程师、项目主任、市场部经理、市场及销售部经理等职。
1994年7月至1995年3月旅居美国；1995年4月任北京中化英华智能系统有限公司华东区总经理；1997年9月创办上海协成科技有限责任公
司任总经理；1999 年 5 月，季琦与梁建章、沈南鹏、范敏共同创建了携程旅行网。四个人便按照各自的专长具体分工：梁建章任首席执行官，沈南鹏任首席财务官，季琦任总裁，范敏任执行副总裁。人称四人为“携程四君子”。
创建携程旅行网，30个月上市；开创“如家”经济型连锁酒店品牌，三年跃居中国酒店业“前十”；近日，新开创的商务连锁酒店“汉庭”的崛起……
在一次次成功背后，季琦的创业思路是否有章可循？
季琦，这位身家亿万的富豪自从1992年离开学校后，始终保持着每三年换一个崭新身份的记录。
他是携程旅行网的创始人。作为“中国首家在美上市的旅游企业”，携程2006年中的市值达到15亿美元，高过规模远大于己的新浪、搜狐和盛大。
他在2002年6月创建的如家酒店(连锁集团)以拥有63家酒店，7478间客房，连获“2005中国饭店集团十大影响力品牌”、“2005年度最具成长性新兴企业”称号。
退出如家的管理层之后，季琦于2005年初投资2000万美元组建了力山投资公司，任CEO。新推出的两个项目让人拭目以待，一个是他为了整合中国中档酒店而创建的“汉庭商务酒店”品牌，一个是他将旧厂房改造一新的“X2创意空间”——一处总面积达15000平方米的LOFT创意园区。
季琦继续创业。
他承认自己是一个很感性的人，只做自己有热情、感兴趣的事情，“一旦我感兴趣了，我就会调动自己的理性去做好这件事情。”
如果问，每次都获得成功，“理性”和“感性” 究竟哪个占的分量要大一点？
他会回答：“我会先问自己想干什么，想清楚了，然后才会去做。”而从季琦的创业经历来看，这个“想清楚”的确有章可循。
编辑本段投资者简介
A首旅集团，总资产近200亿元；旗下拥有两个我国前五强的旅行社，拥有和管理着近百家星级饭店，20，000余间客房。
B携程网，国内最大的旅行网，有比较先进的IT背景，目前是我国最大的酒店分销商，每月超过60万间/夜的有效预订量、每月增长率超过17%；还是我国最大的酒店信息平台，3，900多家会员酒店可供预订，分布在全国各地和世界各地；另外，它还是我国第一旅游电子商务网站约有3，200万注册会员。2002年CNNCI(中国互联网信息中心参考资料)评选中获得“最受欢迎的旅游网站”的荣誉；2003年在美国纳斯达克上市，时值每股40多美元。
用互联网精神做事
1994年时，季琦去过一趟美国，说是去寻找自己新的事业起点。
而此行他最大的收获是平生第一次接触到了互联网。那是在1994年9月17日，一个平常的周末，当他查询的信息一行行从屏幕上显现出来的时候，季琦无法想象眼前的事实，“这东西太神奇了！”
他所在的Oracle总部是三栋气势雄伟的大楼，而雅虎公司则在不远处与Oracle隔街相望。那天下午，季琦望着街对面的雅虎公司发呆，他模糊地意识到，一个能够改变许多人命运的新技术时代马上就要到来。“当时我对这个东西就有种特殊的、痴迷的感觉。”季琦说道：“我觉得跟它可能有种缘分，而且我将来的生活很可能与这个东西有关。”
1995年初，季琦决定回国创业。但直到1999年，季琦才找到进入互联网的“切入点”，那就是让季琦获得了巨大成功的携程。
尽管，互联网进入中国算起来也已经有10年的时间，但季琦认为，互联网在中国“还只是刚刚开始”。他强调，互联网为创业者带来的机会不仅仅是体现在技术和商业模式上，“体会互联网的精神，用这种精神去整合传统产业非常有用”。
编辑本段如家CEO孙坚
CEO孙坚
1964年生于上海。
1987年毕业于上海医科大学卫生管理专业。
1989年赴澳学习市场营销课程并一直从事零售商业工作。
1997年回国后加入泰国正大集团旗下易初莲花超市有限公司任市场部总经理。
2000年加盟英国翠丰集团下属B&Q 百安居(中国)连锁超市管理系统有限公司任市场副总裁，2004年升任营运副总裁兼华东地区总裁。
2005年1月起任如家酒店连锁CEO。
编辑本段如家所获荣誉
2003年2月如家酒店连锁荣获2002年“中国饭店业集团20强”。
2004年7月如家作为唯一的经济型酒店，获得2004中国饭店业民族品牌先锋。
2006年4月中国酒店『金枕头』奖，由中国顶尖财经媒体《21世纪经济报道》于2004年发起主办,是中国乃至亚洲地区最
如家酒店所获的荣誉
为引人瞩目的酒店行业评选活动，迄今为止已成功举办了二届。活动经过三个多月的评选，综合了40名业界知名评委、上万名酒店住户以及超过300，000名网友、短信评分，如家在第三届评选中获得“中国最佳经济型连锁酒店品牌”，同时CEO孙坚先生获得“年度最佳经理人大奖”。
如家酒店所获的荣誉
2006年5月 5月，如家荣获中国旅游饭店业协会主办的“2006中国经济型酒店品牌先锋”。
2007年4月如家再获第四届“中国酒店『金枕头』奖”。在结合业内众多专家评委、第三方市场调查数据、“神秘人计划”考察以及数百万名网友评分后，如家在200多个经济型连锁酒店参选品牌中脱颖而出，获得年度“中国最佳经济型连锁酒店品牌”，如家也是继去年后首次该个单项奖设立后第二次获此殊荣，同时如家也是所有经济型酒店品牌中唯一一家获得『金枕头』奖主榜单中品牌。
2007年5月 2007全球酒店论坛在三亚颁发了全球酒店业界权威奖项——“五星金钻”奖。如家酒店连锁在多个连锁酒店参选品牌中脱颖而出，获得年度“中国先锋品牌酒店连锁”，同时如家酒店连锁CEO孙坚先生荣获“中
如家酒店所获的荣誉
国酒店业十大领军人物”称号。
2007年5月 5月，如家再次荣获中国旅游饭店业协会主办的“中国经济型酒店品牌先锋”。
2008年3月如家商标被评为中国驰名商标
2008年12月首家和颐酒店（上海漕宝路店）开幕，如家酒店集团成立；
如家酒店集团荣膺荷兰CRF集团主持评选的“2009中国杰出雇主”；
如家酒店集团CEO孙坚先生入围“中国改革开放30年经济百人榜”并荣获“中国改革开放30年社会服务业十大领军人物”称号；
编辑本段如家酒店集团喜获“中国杰出营销奖”金奖
2010年8月28日-29日，由经济观察报、香港管理专业协会共同举办“2009-2010年度中国杰出营销奖总决赛”在北京举行，由如家酒店集团和上海锦坤送选的“让不了解如家的人爱上如家，让了解如家的人推荐如家——如家消费者粘性营销”案例荣获“2010年度中国杰出营销奖”。
如家通过品牌营销、体验营销、创新营销形成的消费者黏性营销，巩固了如家中国经济型酒店第一品牌的领导地位，以渗透式、互动式和分享式的方式将如家品牌的思想、观点、方法和情感通过潜移默化的方式潜入到每一位消费者的心中，形成了如家品牌良好的忠诚度和美誉度。
在历届的评选中，可口可乐、大众、沃尔玛、中美史克、微软、奔驰、LG、联想、九阳、、康佳、伊利、阿里巴巴、美的、创维、招行、平安等一批国内外知名企业获得过这项荣誉
编辑本段如家在纳斯达克
如家被纳入纳斯达克中国指数股
纳斯达克OMX全球指数集团(NASDAQ OMX Global Index Group)近日公布了纳斯达克中国指数(NASDAQ China Index)的年度重新排名。根据最新的年度排名，如家酒店（HMIN）、盛大网络游戏等6公司从3月22日起被纳入纳斯达克中国指数(NASDAQ China Index) 成份股。如家酒店集团首席执行官孙坚表示，如家此次晋身成为纳斯达克中国指数成份股，充分体现了资本市场对于公司整体业绩的充分肯定。公司对此感到十分荣幸，衷
心感谢投资者和社会各界的长期支持。如家被纳入纳斯达克中国指数成份股，将有助于巩固公司在国际资本市场的地位，增强投资者对公司的投资信心，以及吸引更多国际投资者。而公司亦将充分发挥自身优势资源，进一步提高市场竞争力和盈利能力，务求为投资者带来更佳回报。
纳斯达克中国指数通常用于跟踪监测那些在美国登记备案并将总部放在中国大陆或是香港地区的公司的运营情况，该指数于每年的三月份进行重新排名。对于在美国上市的企业而言，被纳入纳斯达克中国指数成份股，不仅意味提升知名度，也会吸引更多的投资者。
编辑本段如家连锁酒店设施
娱乐设施：棋牌室,桌球室,乒乓球室,健身室。
提供服务：电梯,无线上网区域,免费停车场,票务服务,前台行李寄存,当地旅游服务,ATM取款机,
客房叫醒服务中餐厅
客房设施：客房设施国内长途电话24小时热水淋浴吹风机拖鞋
消遣设施：酒吧,桑拿浴室,按摩,足疗，会议室
早餐：15元/份；加床：无；上网情况：免费
编辑本段酒店相关条款
注意事项
1.酒店房间一般情况下保留到预订当天的下午6点整，节假日可能保留到下午5点整；
2.如客人因其它原因晚到，请在预订成功后直接致电保留房间，会展等特殊时期需要提供信用卡担保或者提前支付房费。
3.房间价格因季节变化可能不准确,请以电话咨询或最终确认为准。
4.需要信用卡担保的酒店对取消预订有不同的要求，如果您是在酒店
要求的有效工作日内取消，是可以的。否则将不可以取消预订，如您未能去入住，将从您的信用卡中扣除相应的房费。
办理入住
入住酒店须凭有效证件登记，一般酒店办理入住时会收取客人一定的押金，作为您在酒店内的部分消费或损坏（遗失）酒店物品的保证金，退房时凭押金单结清费用后退回，押金的多少视各酒店规定。
编辑本段酒店预订规则和须知
付款方式
前台支付（Visacard,牡丹卡,金穗卡,长城卡,龙卡,太平洋卡,东方卡,万事达卡,运通卡,大莱卡,JCBcard 现金）。
房费包含酒店服务费，不包括酒店其他费用、税收及客人额外要求的费用。
通常酒店的入住时间为14：00，离店时间为正午12：00。如提前入住或推迟离店，均需酌情加收一定费用。
预订流程
第一步: 选择好适合您的酒店后，您可以通过电话、网上下订单或传真，报客人姓名、房型及入住日期进行预订.
第二步: 在收到您的预订信息后，我们会在一小时内予以确认.
第三步：在收到我方确认后，客人只需在酒店前台报客人姓名即可.
第四步：入住时候需要携带成人身份证件登记入住，并需要交付一定的押金；
温馨提示
办理入住：入住酒店须凭有效证件登记，一般酒店办理入住时会收取客人一定的押金，作为您在酒店内的部分消费或损坏（遗失）酒店物品的保证金，退房时凭押金单结清费用后退回，押金的多少视各酒店规定。
如果我入住时间过早或退房时间较晚，酒店是否会加收房费？
按酒店业惯例，酒店的入住时间为当日14：00，离店时间为第二日中午12：00。如提前入住或推迟离店，均需加收一定的费用，但是如家的会员入住如家快捷酒店、和颐酒店有延时退房（普卡会员可延迟到13：00，金卡会员可延迟到14：00）的专享服务。如果未在规定时间内退房且在18：00前退房的客人，酒店将加收半天房费；而对于在18：00后退房的客人，酒店将加收一天房费，详情请咨询酒店前台。
提示：需要延迟退房，请提前通知酒店前台。
编辑本段服务特色
连锁全国商旅便捷无忧
拥有遍及全国100多座城市的600多家连锁酒店，为企业提供全国范围的商旅住宿资源的选择、整合与优化。
超值的商旅住宿优惠方案
大客户专享：享受门市价的九折如遇酒店门市价格促销，可在促销价上享受折扣高效便捷地管理公司员工的差旅住宿累积积分，获得更多实惠预订延时保留至19:00在酒店房态紧张时，可享受客房预订优先权可享受免费延时退房的特权：退房时间可延至13:00 我们对如家的企业大客户提
对于企业而言，IT技术已经成为企业战略、管理和经营的基础。在如家创建连锁快捷酒店的商业模式同时，就已经在考虑未来IT技术在这个商业模式以及商业战略中的应用。据了解，在如家开第一家酒店的时候，孙坚就曾设想如家未来五年或十年中成为1000家酒店商业战略，以及IT在这样商业模式战略中应该扮演什么样的角色。
从北京第一家酒店，到今天如家在全国140个城市拥有650家酒店，IT技术在公司八年的发展中，应用得非常好。据孙坚介绍，从最初如家建立的酒店自身IT技术平台，包括酒店库存管理性平台、商业采购平台、财务平台，以及中央科研平台、中央管理报告平台等，所有这些平台都是基于一个企业战略、管理、经营基础的基础。
而从技术角度上讲，如家对于新技术、新软件的应用也非常重视。孙坚认为，一种新技术或管理理念的应用，对企业整体的发展和升级意义重大。比如，网络营销、数码营销理念的应用，通过社区概念、通过消费者互动形式对商业模式进行更新等等，都使得IT成为引领消费者习惯的方式。移动设备的应用，也会对现代服务业未来的精准营销带来新的变化。
孙坚认为，IT作为一种技术，一定要融入到企业的商业模式和战略中，只有这样才能发挥其作用，才能得到企业以及企业决策层的重视。特别是在得到企业决策层重视后，还可以形成一个企业IT可持续治理和优化的环境。“一个企业IT技术的发展，CEO担负着最重要责任，他必须充分认识到IT战略对整个企业、商业战略可实施的保障。”孙坚说。
在具体实施上，经过如家八年的实践，孙坚也得出了这样几点经验：首先，开放的步骤，IT技术最核心的部分就是把这个世界变成开放的世界，把人与人之间、国与国之间、信息与信息之间打通。企业必须要持续利用内通外连的模式，学会利用整个社会资源和上下游整个供应链信息市场的信息资源，更大程度的把企业资源和信息与整个世界进行连接，只有这样，才能获得更多的社会资源作支撑。
其次，关键在于部署。如家经过八年时间循序渐进地推进IT系统建设，已经实现了IT系统效益和投入产出比的清晰呈现，并使得IT成为企业可持续发展的基础。
第三是业务主线自主。由于企业的业务流程需要企业运作者和实操者不断优化、改进，才能更加贴近企业的发展。所以如家一直主张对业务主线自主、流程的优化、梳理和再造。同时利用自己的业务力量对业务主线IT、技术流程、环境的打造。并引入专业团队，对非主线、主营业务、管理系统、更多通用软件开发和配套服务。自主的研发同时带来对主营业务的理解，带来整体未来发展的灵活。
作为如家的CEO，孙坚强调，CEO首先应该尊重IT的理念和IT对未来效益的提高，同时也要认识到业务和IT本身的关系是业务应该在先，通过梳理和定位，IT可以帮助企业实现腾飞。而作为CIO，则应该将业务和商
业战略发展前景融入到优质技术中去，融入到对信息管理的能力中，能够真正把企业未来的发展和商业模式的可持续发展、以及企业投资回报三个理念植入到每一个IT战略、IT方案、IT项目过程。
编辑本段如家跻身全球自主拥有饭店集团前五强
专门从事旅游、酒店、餐饮市场调查的MKG咨询公司近日发布了全球酒店行业的排行榜。根据该排行榜显示：如家酒店集团以自主拥有酒店客房数46410间位居全球自主拥有饭店第五名，成功跻身前五强。MKG咨询公司2010年拥有自主酒店的前五强的公司分别为：雅高集团、NH饭店集团、米高梅饭店集团、拉昆塔饭店集团和如家酒店集团。根据该公司的研究，欧洲大部分国家酒店业今年上半年显现积极复苏信号，但各国复苏势头存在差别，中国、德国、法国和英国比较强劲，尤其是进入3月之后增长势头比较强劲。
编辑本段倡导绿色生活如家荣获“绿色责任奖”
2010年9月22日，由上海环保局、上海世博局和美国环保协会主办，绿色出行基金承办的“低碳世博、中华风韵——中秋文艺晚会”暨“世博绿色出行中秋之夜”年度盛典在世博中心隆重举行。鉴于如家在绿色出行、低碳减排、建设节约型社会方面的努力，主办方授予如家酒店集团“低碳责任奖”。
今年4月22日，全球首款世博低碳交通卡——“世博绿色出行低碳交通卡”在上海正式发布，如家酒店集团现场认购首批世博绿色出行低碳交通卡1200张。世博绿色出行低碳交通卡最大的亮点是含有经过认证的二氧化碳指标。如家认购的1200张“世博绿色出行低碳交通卡”，其碳指标经济利益回馈四川广元及苏北当地农民，为发展当地经济建设起到了很大的作用。
“我们整体的理念是适度生活、自由自在。如家的出现，也是市场发展到一定阶段的需要，它给大家倡导一种新的生活方式，不一定要去消耗那么多东西。所以说，我们本身就是资源节约型和环保理念型的公司。对于如家来说，倡导绿色出行，购买碳排量是切实的为低碳经济的发展贡献力量，这种形式应该可以令更多的企业、不同的行业和领域联合起来共同推进‘节能减排’和‘绿色低碳’社会的发展。” 如家酒店集团CEO 孙坚表示。
今年伊始，如家酒店就开始实施为“绿色如家”积极布局。3月12日如家酒店集团推出“梦想林场，在线种树”和“环保创意，擂台比拼”为一体的线上绿色环保游戏活动。5月1日起，客人入住如家酒店旗下各连锁酒店后，如不使用“如家绿色洗漱套装”，将获得50会员积分，作为如家对客人为环保做贡献的奖励。这些做法都体现了如家在倡导绿色生活，
贝叶斯分类器的matlab实现 贝叶斯分类原理： 1)在已知P(Wi)，P(X|Wi)(i=1,2)及给出待识别的X的情况下，根据贝叶斯公式计算出后验概率P(Wi|X) ; 2)根据1)中计算的后验概率值，找到最大的后验概率，则样本X属于该类 举例： 解决方案： 但对于两类来说，因为分母相同，所以可采取如下分类标准：
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%% %By Shelley from NCUT，April 14th 2011 %Email:just_for_h264@https://www.doczj.com/doc/8716142830.html, %此程序利用贝叶斯分类算法，首先对两类样本进行训练， %进而可在屏幕上任意取点，程序可输出属于第一类，还是第二类%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%% clear; close all %读入两类训练样本数据 load data %求两类训练样本的均值和方差 u1=mean(Sample1); u2=mean(Sample2); sigm1=cov(Sample1); sigm2=cov(Sample2); %计算两个样本的密度函数并显示 x=-20:0.5:40; y= -20:0.5:20; [X,Y] = meshgrid(x,y); F1 = mvnpdf([X(:),Y(:)],u1,sigm1); F2 = mvnpdf([X(:),Y(:)],u2,sigm2); P1=reshape(F1,size(X)); P2=reshape(F2,size(X)); figure(2) surf(X,Y,P1) hold on surf(X,Y,P2) shading interp colorbar title('条件概率密度函数曲线'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% %以下为测试部分 %利用ginput随机选取屏幕上的点（可连续取10个点）
五种贝叶斯网分类器的分析与比较 摘要：对五种典型的贝叶斯网分类器进行了分析与比较。在总结各种分类器的基础上，对它们进行了实验比较，讨论了各自的特点，提出了一种针对不同应用对象挑选贝叶斯网分类器的方法。 关键词：贝叶斯网；分类器；数据挖掘；机器学习 故障诊断、模式识别、预测、文本分类、文本过滤等许多工作均可看作是分类问题，即对一给定的对象（这一对象往往可由一组特征描述），识别其所属的类别。完成这种分类工作的系统，称之为分类器。如何从已分类的样本数据中学习构造出一个合适的分类器是机器学习、数据挖掘研究中的一个重要课题，研究得较多的分类器有基于决策树和基于人工神经元网络等方法。贝叶斯网（Ｂａｙｅｓｉａｎｎｅｔｗｏｒｋｓ，ＢＮｓ）在ＡＩ应用中一直作为一种不确定知识表达和推理的工具，从九十年代开始也作为一种分类器得到研究。 本文先简单介绍了贝叶斯网的基本概念，然后对五种典型的贝叶斯网分类器进行了总结分析，并进行了实验比较，讨论了它们的特点，并提出了一种针对不同应用对象挑选贝叶斯分类器的方法。 １贝叶斯网和贝叶斯网分类器 贝叶斯网是一种表达了概率分布的有向无环图，在该图中的每一节点表示一随机变量，图中两节点间若存在着一条弧，则表示这两节点相对应的随机变量是概率相依的，两节点间若没有弧，则说明这两个随机变量是相对独立的。按照贝叶斯网的这种结构，显然网中的任一节点ｘ均和非ｘ的父节点的后裔节点的各节点相对独立。网中任一节点Ｘ均有一相应的条件概率表（ＣｏｎｄｉｔｉｏｎａｌＰｒｏｂａｂｉｌｉｔｙＴａｂｌｅ，ＣＰＴ），用以表示节点ｘ在其父节点取各可能值时的条件概率。若节点ｘ无父节点，则ｘ的ＣＰＴ为其先验概率分布。贝叶斯网的结构及各节点的ＣＰＴ定义了网中各变量的概率分布。 贝叶斯网分类器即是用于分类工作的贝叶斯网。该网中应包含一表示分类的节点Ｃ，变量Ｃ的取值来自于类别集合｛Ｃ，Ｃ，．．．．，Ｃ｝。另外还有一组节点ｘ＝（ｘ，ｘ，．．．．，ｘ）反映用于分类的特征，一个贝叶斯网分类器的结构可如图１所示。 对于这样的一贝叶斯网分类器，若某一待分类的样本Ｄ，其分类特征值为ｘ＝（ｘ，ｘ，．．．．，ｘ），则样本Ｄ属于类别Ｃ的概率为Ｐ（Ｃ＝Ｃ｜Ｘ＝ｘ），因而样本Ｄ属于类别Ｃ的条件是满足（１）式： Ｐ（Ｃ＝Ｃ｜Ｘ＝ｘ）＝Ｍａｘ｛Ｐ（Ｃ＝Ｃ｜Ｘ＝ｘ），Ｐ（Ｃ＝Ｃ｜Ｘ＝ｘ），．．．，Ｐ（Ｃ＝Ｃ｜Ｘ＝ｘ）｝（１） 而由贝叶斯公式 Ｐ（Ｃ＝Ｃ｜Ｘ＝ｘ）＝（２） 其中Ｐ（Ｃ＝Ｃｋ）可由领域专家的经验得到，而Ｐ（Ｘ＝ｘ｜Ｃ＝Ｃｋ）和Ｐ（Ｘ＝ｘ）的计算则较困难。应用贝叶斯网分类器分成两阶段。一是贝叶斯网分类器的学习（训练），即从样本数据中构造分类器，包括结构（特征间的依赖关系）学习和ＣＰＴ表的学习。二是贝叶斯网分类器的推理，即计算类结点的条件概率，对待分类数据进行分类。这两者的时间复杂性均取决于特征间的依赖程度，甚至可以是ＮＰ完全问题。因而在实际应用中，往往需
用于运动识别的聚类特征融合方法和装置 提供了一种用于运动识别的聚类特征融合方法和装置，所述方法包括：将从被采集者的加速度信号 中提取的时频域特征集的子集内的时频域特征表示成以聚类中心为基向量的线性方程组；通过求解线性方程组来确定每组聚类中心基向量的系数；使用聚类中心基向量的系数计算聚类中心基向量对子集的方差贡献率；基于方差贡献率计算子集的聚类中心的融合权重；以及基于融合权重来获得融合后的时频域特征集。 加速度信号 →时频域特征 →以聚类中心为基向量的线性方程组 →基向量的系数 →方差贡献率 →融合权重 基于特征组合的步态行为识别方法 本发明公开了一种基于特征组合的步态行为识别方法，包括以下步骤：通过加速度传感器获取用户在行为状态下身体的运动加速度信息；从上述运动加速度信息中计算各轴的峰值、频率、步态周期和四分位差及不同轴之间的互相关系数；采用聚合法选取参数组成特征向量；以样本集和步态加速度信号的特征向量作为训练集，对分类器进行训练，使的分类器具有分类步态行为的能力；将待识别的步态加速度信号的所有特征向量输入到训练后的分类器中，并分别赋予所属类别，统计所有特征向量的所属类别，并将出现次数最多的类别赋予待识别的步态加速度信号。实现简化计算过程，降低特征向量的维数并具有良好的有效性的目的。 传感器 →样本及和步态加速度信号的特征向量作为训练集 →分类器具有分类步态行为的能力 基于贝叶斯网络的核心网故障诊断方法及系统 本发明公开了一种基于贝叶斯网络的核心网故障诊断方法及系统，该方法从核心网的故障受理中心采集包含有告警信息和故障类型的原始数据并生成样本数据，之后存储到后备训练数据集中进行积累，达到设定的阈值后放入训练数据集中；运用贝叶斯网络算法对训练数据集中的样本数据进行计算，构造贝叶斯网络分类器；从核心网的网络管理系统采集含有告警信息的原始数据，经贝叶斯网络分类器计算获得告警信息对应的故障类型。本发明，利用贝叶斯网络分类器构建故障诊断系统，实现了对错综复杂的核心网故障进行智能化的系统诊断功能，提高了诊断的准确性和灵活性，并且该系统构建于网络管理系统之上，易于实施，对核心网综合信息处理具有广泛的适应性。 告警信息和故障类型 →训练集 —>贝叶斯网络分类器
朴素贝叶斯分类器的应用 作者：阮一峰 日期：2013年12月16日 生活中很多场合需要用到分类，比如新闻分类、病人分类等等。 本文介绍朴素贝叶斯分类器（Naive Bayes classifier），它是一种简单有效的常用分类算法。 一、病人分类的例子 让我从一个例子开始讲起，你会看到贝叶斯分类器很好懂，一点都不难。 某个医院早上收了六个门诊病人，如下表。 症状职业疾病 打喷嚏护士感冒 打喷嚏农夫过敏 头痛建筑工人脑震荡 头痛建筑工人感冒 打喷嚏教师感冒 头痛教师脑震荡 现在又来了第七个病人，是一个打喷嚏的建筑工人。请问他患上感冒的概率有多大？ 根据贝叶斯定理： P(A|B) = P(B|A) P(A) / P(B)
可得 P(感冒|打喷嚏x建筑工人) = P(打喷嚏x建筑工人|感冒) x P(感冒) / P(打喷嚏x建筑工人) 假定"打喷嚏"和"建筑工人"这两个特征是独立的，因此，上面的等式就变成了 P(感冒|打喷嚏x建筑工人) = P(打喷嚏|感冒) x P(建筑工人|感冒) x P(感冒) / P(打喷嚏) x P(建筑工人) 这是可以计算的。 P(感冒|打喷嚏x建筑工人) = 0.66 x 0.33 x 0.5 / 0.5 x 0.33 = 0.66 因此，这个打喷嚏的建筑工人，有66%的概率是得了感冒。同理，可以计算这个病人患上过敏或脑震荡的概率。比较这几个概率，就可以知道他最可能得什么病。 这就是贝叶斯分类器的基本方法：在统计资料的基础上，依据某些特征，计算各个类别的概率，从而实现分类。 二、朴素贝叶斯分类器的公式 假设某个体有n项特征（Feature），分别为F1、F2、...、F n。现有m个类别（Category），分别为C1、C2、...、C m。贝叶斯分类器就是计算出概率最大的那个分类，也就是求下面这个算式的最大值： P(C|F1F2...Fn) = P(F1F2...Fn|C)P(C) / P(F1F2...Fn) 由于 P(F1F2...Fn) 对于所有的类别都是相同的，可以省略，问题就变成了求 P(F1F2...Fn|C)P(C) 的最大值。
关于朴素贝叶斯 朴素贝叶斯算法是一个直观的方法，使用每个属性归属于某个类的概率来做预测。你可以使用这种监督性学习方法，对一个预测性建模问题进行概率建模。 给定一个类，朴素贝叶斯假设每个属性归属于此类的概率独立于其余所有属性，从而简化了概率的计算。这种强假定产生了一个快速、有效的方法。 给定一个属性值，其属于某个类的概率叫做条件概率。对于一个给定的类值，将每个属性的条件概率相乘，便得到一个数据样本属于某个类的概率。 我们可以通过计算样本归属于每个类的概率，然后选择具有最高概率的类来做预测。 通常，我们使用分类数据来描述朴素贝叶斯，因为这样容易通过比率来描述、计算。一个符合我们目的、比较有用的算法需要支持数值属性，同时假设每一个数值属性服从正态分布（分布在一个钟形曲线上），这又是一个强假设，但是依然能够给出一个健壮的结果。 预测糖尿病的发生 本文使用的测试问题是“皮马印第安人糖尿病问题”。 这个问题包括768个对于皮马印第安患者的医疗观测细节，记录所描述的瞬时测量取自诸如患者的年纪，怀孕和血液检查的次数。所有患者都是21岁以上（含21岁）的女性，所有属性都是数值型，而且属性的单位各不相同。 每一个记录归属于一个类，这个类指明以测量时间为止，患者是否是在5年之内感染的糖尿病。如果是，则为1，否则为0。 机器学习文献中已经多次研究了这个标准数据集，好的预测精度为70%-76%。 下面是pima-indians.data.csv文件中的一个样本，了解一下我们将要使用的数据。 注意：下载文件，然后以.csv扩展名保存（如：pima-indians-diabetes.data.csv）。查看文件中所有属性的描述。 Python 1 2 3 4 5 6,148,72,35,0,33.6,0.627,50,1 1,85,66,29,0,26.6,0.351,31,0 8,183,64,0,0,23.3,0.672,32,1 1,89,66,23,94,28.1,0.167,21,0 0,137,40,35,168,43.1,2.288,33,1 朴素贝叶斯算法教程 教程分为如下几步： 1.处理数据：从CSV文件中载入数据，然后划分为训练集和测试集。 2.提取数据特征：提取训练数据集的属性特征，以便我们计算概率并做出预测。 3.单一预测：使用数据集的特征生成单个预测。 4.多重预测：基于给定测试数据集和一个已提取特征的训练数据集生成预测。 5.评估精度：评估对于测试数据集的预测精度作为预测正确率。 6.合并代码：使用所有代码呈现一个完整的、独立的朴素贝叶斯算法的实现。 1.处理数据
贝叶斯分类器工作原理原理 贝叶斯分类器是一种比较有潜力的数据挖掘工具，它本质上是一 种分类手段，但是它的优势不仅仅在于高分类准确率，更重要的是，它会通过训练集学习一个因果关系图（有向无环图）。如在医学领域，贝叶斯分类器可以辅助医生判断病情，并给出各症状影响关系，这样医生就可以有重点的分析病情给出更全面的诊断。进一步来说，在面对未知问题的情况下，可以从该因果关系图入手分析，而贝叶斯分类器此时充当的是一种辅助分析问题领域的工具。如果我们能够提出一种准确率很高的分类模型，那么无论是辅助诊疗还是辅助分析的作用都会非常大甚至起主导作用，可见贝叶斯分类器的研究是非常有意义的。 与五花八门的贝叶斯分类器构造方法相比，其工作原理就相对简 单很多。我们甚至可以把它归结为一个如下所示的公式： 其中实例用T{X0，X1，…，Xn-1}表示，类别用C 表示，AXi 表示Xi 的 父节点集合。 选取其中后验概率最大的c ，即分类结果，可用如下公式表示 () ()()() ()( ) 0011111 00011111 0|,, ,|,,, ,C c |,i i n n n i i X i n n n i i X i P C c X x X x X x P C c P X x A C c P X x X x X x P P X x A C c ---=---========= ===∝===∏∏()() 1 0arg max |A ,i n c C i i X i c P C c P X x C c -∈=====∏
上述公式本质上是由两部分构成的：贝叶斯分类模型和贝叶斯公式。下面介绍贝叶斯分类器工作流程： 1．学习训练集，存储计算条件概率所需的属性组合个数。 2．使用1中存储的数据，计算构造模型所需的互信息和条件互信息。 3．使用2种计算的互信息和条件互信息，按照定义的构造规则，逐步构建出贝叶斯分类模型。 4．传入测试实例 5．根据贝叶斯分类模型的结构和贝叶斯公式计算后验概率分布。6．选取其中后验概率最大的类c，即预测结果。 其流程图如下所示：
贝叶斯分类器在机器学习中的研究 摘要：贝叶斯分类器作为机器学习中的一种分类算法，在有些方面有着其优越的一面，在机器学习中有着广泛的应用，本文通过对机器学习中贝叶斯分类器的解析，指出了贝叶斯分类器在机器学习中的适用方面和不足之处。使其能更加清楚认识了解贝叶斯算法，并能在适合的方面使用贝叶斯算法。 关键词：机器学习贝叶斯算法适用 1. 引言 机器学习是计算机问世以来，兴起的一门新兴学科。所谓机器学习是指研究如何使用计算机来模拟人类学习活动的一门学科，研究计算机获得新知识和新技能，识别现有知识，不断改善性能，实现自我完善的方法，从而使计算机能更大性能的为人类服务。 机器学习所适用的范围广阔，在医疗、军事、教育等各个领域都有着广泛的应用，并发挥了积极的作用。而分类是机器学习中的基本问题之一，目前针对不同的分类技术，分类方法有很多，如决策树分类、支持向量机分类、神经网络分类等。贝叶斯分类器作为机器学习分类中的一种，近年来在许多领域也受到了很大的关注，本文对贝叶斯分类器进行总结分析和比较，提出一些针对不同应用对象挑选贝叶斯分类器的方法。 2. 贝叶斯公式与贝叶斯分类器： 2.1贝叶斯公式： 在概率论方面的贝叶斯公式是在乘法公式和全概率公式的基础上推导出来的，它是指设■是样本空间Ω的一个分割，即■互不相容，且，如果■，■，■，则 ，■ 这就是贝叶斯公式，■称为后验概率，■为先验概率，一般是已知先验概率来求后验概率，贝叶斯定理提供了“预测”的实用模型，即已知某事实，预测另一个事实发生的可能性大小。 2.2 机器学习中的贝叶斯法则： 在机器学习中，在给定训练数据D时，确定假设空间H中的最佳假设，我们用■来代表在没训练数据前假设■拥有的初始概率。■为■的先验概率，用■代表将要观察训练数据D的先验概率，以■代表假设■成立的情况下观察到数据D的概率，以■为给定训练数据D时■成立的概率，■称为■的后验概率，机器学习中
机器学习算法day02_贝叶斯分类算法及应用课程大纲 课程目标： 1、理解朴素贝叶斯算法的核心思想 2、理解朴素贝叶斯算法的代码实现 3、掌握朴素贝叶斯算法的应用步骤：数据处理、建模、运算和结果判定
1. 朴素贝叶斯分类算法原理 1.1 概述 贝叶斯分类算法是一大类分类算法的总称 贝叶斯分类算法以样本可能属于某类的概率来作为分类依据 朴素贝叶斯分类算法是贝叶斯分类算法中最简单的一种 注：朴素的意思是条件概率独立性 1.2 算法思想 朴素贝叶斯的思想是这样的： 如果一个事物在一些属性条件发生的情况下，事物属于A的概率>属于B的概率，则判定事物属于A 通俗来说比如，你在街上看到一个黑人，我让你猜这哥们哪里来的，你十有八九猜非洲。为什么呢？ 在你的脑海中，有这么一个判断流程： 1、这个人的肤色是黑色<特征> 2、非洲人中黑色人种概率最高<已知的是条件概率：p(黑色|非洲人)> 而用于判断的标准是：P(非洲人|黑色) 3、没有其他辅助信息的情况下，最好的判断就是非洲人 这就是朴素贝叶斯的思想基础。 再扩展一下，假如某条街上，有100人，其中有50个美国人，50个非洲人，看到一个讲英语的黑人，那我们是怎么去判断他来自于哪里？ 提取特征： 肤色：黑 语言：英语 先验知识： P(黑色|非洲人) = 0.8 P(讲英语|非洲人)=0.1 P(黑色|美国人)= 0.2 P(讲英语|美国人)=0.9 要判断的概率是： P(非洲人|(讲英语，黑色) )
P(美国人|(讲英语，黑色) ) 思考过程： P(非洲人|(讲英语，黑色) ) 的分子= 0.1 * 0.8 *0.5 =0.04 P(美国人|(讲英语，黑色) ) 的分子= 0.9 *0.2 * 0.5 = 0.09 从而比较这两个概率的大小就等价于比较这两个分子的值： 可以得出结论，此人应该是：美国人 我们的判断结果就是：此人来自美国！ 其蕴含的数学原理如下： p(A|xy)=p(Axy)/p(xy)=p(Axy)/p(x)p(y)=p(A)/p(x)*p(A)/p(y)* p(xy)/p(xy)=p(A|x)p(A|y) 朴素贝叶斯分类器 讲了上面的小故事，我们来朴素贝叶斯分类器的表示形式： 当特征为为x时，计算所有类别的条件概率，选取条件概率最大的类别作为待分类的类别。由于上公式的分母对每个类别都是一样的，因此计算时可以不考虑分母，即
clc;clear all;close all; %训练集 SampleMark={'咳嗽','头晕','体温','流感'} Sample={ '是','是','正常', '否';.... '是','是','高', '是';.... '是','是','非常高','是';.... '否','是','正常', '否';.... '否','否','高', '否';.... '否','是','非常高','是';.... '是','否','高', '是';.... '否','是','正常', '否';.... } %流感为是的与否的两类子集 IsFlu=Sample(strmatch('是',Sample(:,4)),:); NotFlu=Sample(strmatch('否',Sample(:,4)),:); %先验概率 N1=size(IsFlu,1); N2=size(NotFlu,1); Pw1=N1/(N1+N2); Pw2=N2/(N1+N2); %咳嗽似然度 %采用m-估计，计算各属性先验概率 x1=size(strmatch('是',Sample(:,1)),1); x2=size(strmatch('否',Sample(:,1)),1); p1=x1/(x1+x2); p2=x2/(x1+x2); n1=size(strmatch('是',IsFlu(:,1)),1); n2=size(strmatch('否',IsFlu(:,1)),1); PXwi(1,1:2)=[(n1+1)/(n1+n2+p1) (n2+1)/(n1+n2+p2)]; n1=size(strmatch('是',NotFlu(:,1)),1); n2=size(strmatch('否',NotFlu(:,1)),1); PXwi(2,1:2)=[(n1+1)/(n1+n2+p1) (n2+1)/(n1+n2+p2)]; %头晕似然度 %采用m-估计，计算各属性先验概率 x1=size(strmatch('是',Sample(:,2)),1); x2=size(strmatch('否',Sample(:,2)),1); p1=x1/(x1+x2); p2=x2/(x1+x2); n1=size(strmatch('是',IsFlu(:,2)),1); n2=size(strmatch('否',IsFlu(:,2)),1); PXwi(1,3:4)=[(n1+1)/(n1+n2+p1) (n2+1)/(n1+n2+p2)]; n1=size(strmatch('是',NotFlu(:,2)),1); n2=size(strmatch('否',NotFlu(:,2)),1);
朴素贝叶斯分类算法 一．贝叶斯分类的原理 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。也就是说，贝叶斯分类器是最小错误率意义上的优化。 贝叶斯分类器是用于分类的贝叶斯网络。该网络中应包含类结点C，其中C 的取值来自于类集合( c1 , c2 , ... , cm)，还包含一组结点X = ( X1 , X2 , ... , Xn)，表示用于分类的特征。对于贝叶斯网络分类器，若某一待分类的样本D，其分类特征值为x = ( x1 , x2 , ... , x n) ，则样本D 属于类别ci 的概率P( C = ci | X1 = x1 , X2 = x 2 , ... , Xn = x n) ，( i = 1 ,2 , ... , m) 应满足下式： P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , ... , P( C = cm | X = x ) } 贝叶斯公式： P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x) 其中，P( C = ci) 可由领域专家的经验得到,而P( X = x | C = ci) 和P( X = x) 的计算则较困难。 二．贝叶斯伪代码 整个算法可以分为两个部分，“建立模型”与“进行预测”，其建立模型的伪代码如下： numAttrValues 等简单的数据从本地数据结构中直接读取 构建几个关键的计数表 for(为每一个实例) { for( 每个属性 ){ 为 numClassAndAttr 中当前类，当前属性，当前取值的单元加 1 为 attFrequencies 中当前取值单元加 1 } } 预测的伪代码如下： for(每一个类别){ for(对每个属性 xj){ for(对每个属性 xi){
朴素贝叶斯分类在机器学习中的应用 贝叶斯分类技术在众多分类技术中占有着重要的地位。它属于统计学分类的范畴，是一种非规则的分类方法。贝叶斯分类方法的主要内容是通过对已分类的样本子集进行训练，学习归纳出分类函数（对离散变量的预测称作分类，对连续变量的分类成为回归），利用训练得到的分类器实现对未分类数据的分类。在众多贝叶斯分类技术中，朴素贝叶斯分类算法是其中应用最多、表现效果最好的一项贝叶斯分类技术。 一、朴素贝叶斯分类法简介 朴素贝叶斯分类法来源于贝叶斯定理 其中称为先验概率，称为后验概率，称为现象概率，称为条件概率。贝叶斯定理描述的是如何用已知的事实去推理未知的概率。在进行预测前，我们有事件A 发生的概率P(A)，有对事件B的预测概率P(B)，还有已知B发生的条件下事件A发生的概率,由这三个概率可以推理出在事件A发生的条件下事件B发生的概率，这一过程也可以解释为我们用事件A的相关信息去修正B发生的概率，在已知A的一些信息后去更新对事件B的认识。 朴素贝叶斯分类法顾名思义，是完全基于贝叶斯定理而来的，其定理形式为 其中Category是类别，Document是待分类事物，定理描述的是根据各种先验概率和概率，来计算某事物属于某类别的概率。朴素贝叶斯分类法即是利用极大似然的思想，通过比较事物被分到不同类别的概率，来给出一个最优的结果，把事物分到概率最大的那个类别中去。这一比较和分类的过程在定理中，事物Document是由若干特征条件组成的，即 需要提到的是，在上面的公式中，分子部分满足
用数学语言表述为： 设特征向量x中有n个特征，则概率为 这称为定理成立的“条件独立性假设”，即事物的特征之间是相互独立的，这也即是定理名称中“朴素”一词的含义。所谓独立，是指的是统计意义上的独立，即一个特征或者单词出现的可能性与它和其他单词相邻没有关系。举个例子来说，假设单词bacon出现在delicious 和出现在ugly后面的概率相同，当然这显然是不正确的，但这确实是朴素贝叶斯分类的一条前提假设。虽然这样做可能会对预测结果的准确性造成一定的影响，但实际上，相比于使用此公式对问题求解的简化程度，这一点误差是完全可以接受的，在实践中也能证明，朴素贝叶斯的实际效果是相当好的。 二、各部分概率的解释与计算 在朴素贝叶斯定理中，为求得，需要首先取得三个概率：先验概率，条件概率，和现象概率。这三个概率并不是都很容易求出来的，而如何准确获取这三个概率也成为机器学习领域研究的热门话题。在这里我以垃圾邮件分类为例来说明这三个概率的计算，假设在如下5封邮件中，统计如下几个词在邮件中是否出现，并统计邮件是否被标记为垃圾邮件： 现在给定一封邮件，四个词在其中出现的情况分别为0, 1, 1, 1, 0，要判断该封邮件是否为垃圾邮件。 1. 先验概率 理论上，先验概率是出现事物属于某一类的客观概率，但在实际应用中，先验概率往往
基于朴素贝叶斯分类器的文本分类算法（上） 2010-02-21 10:23:43| 分类：Lucene | 标签：|字号大中小订阅 转载请保留作者信息： 作者：phinecos（洞庭散人） Blog：https://www.doczj.com/doc/8716142830.html,/ Email：phinecos@https://www.doczj.com/doc/8716142830.html, Preface 本文缘起于最近在读的一本书-- Tom M.Mitchell的《机器学习》,书中第6章详细讲解了贝叶斯学习的理论知识，为了将其应用到实际中来，参考了网上许多资料，从而得此文。文章将分为两个部分，第一部分将介绍贝叶斯学习的相关理论(如果你对理论不感兴趣，请直接跳至第二部分<<基于朴素贝叶斯分类器的文本分类算法（下）>>)。第二部分讲如何将贝叶斯分类器应用到中文文本分类，随文附上示例代码。 Introduction 我们在《概率论和数理统计》这门课的第一章都学过贝叶斯公式和全概率公式，先来简单复习下： 条件概率 定义设A, B是两个事件，且P(A)>0 称P(B∣A)=P(AB)/P(A)为在条件A下发生的条件事件B发生的条件概率。 乘法公式设P(A)>0 则有P(AB)=P(B∣A)P(A) 全概率公式和贝叶斯公式 定义设S为试验E的样本空间，B1, B2, …Bn为E的一组事件，若BiBj=Ф, i≠j, i, j=1, 2, …,n; B1∪B2∪…∪Bn=S则称B1, B2, …, Bn为样本空间的一个划分。 定理设试验E的样本空间为，A为E的事件，B1, B2, …,Bn为的一个划分，且P(Bi)>0 (i=1, 2, …n)，则P(A)=P(A∣B1)P(B1)+P(A∣B2)+ …+P(A∣Bn)P(Bn)称为全概率公式。 定理设试验俄E的样本空间为S，A为E的事件，B1, B2, …,Bn为的一个划分，则 P(Bi∣A)=P(A∣Bi)P(Bi)/∑P(A｜Bj)P(Bj)=P(B｜Ai)P(Ai)/P(A) 称为贝叶斯公式。说明：i，j均为下标，求和均是1到n 下面我再举个简单的例子来说明下。 示例1 考虑一个医疗诊断问题，有两种可能的假设：（1）病人有癌症。（2）病人无癌症。样本数据来自某化验测试，它也有两种可能的结果：阳性和阴性。假设我们已经有先验知识：在所有人口中只有0.008的人患病。此外，化验测试对有病的患者有98%的可能返回阳性结果，对无病患者有97%的可能返回阴性结果。 上面的数据可以用以下概率式子表示：
贝叶斯分类器 一、数学知识 1）先验概率 根据以往经验和分析得到的概率，即人们在未知条件下对事件发生可能性的猜测。 2）后验概率 事情已经发生，求这个事情发生的原因是由某个因素引起的可能性大小。 若A 是结果，B 是原因 则) ().()().()().()() ()(22111111B P B A P B P B A P B P B A P A P A B P A B P += = 即 ) 3().3()2().2()1().1() 1().1()1(原因原因结果原因原因结果原因原因结果原因原因结果结果原因P P P P P P P P P ++= 二、贝叶斯决策论【考虑如何基于所知概率和误判损失来选择最优的类别标记】 （一）贝叶斯分类器 )] )(([)() ()() (min arg )(1 i *x x h R E h R x c P x c R x c R x h x j N j ij y c == =∑=∈λ 其中： 所产生的损失 的样本误标记为是将一个真实标记为上限 产生的模型精度的理论反映了通过机器学习所斯风险 为总体风险，称为贝叶为贝叶斯最优分类器其中 i j h R h R x h c c )(-1)()(ij ***λ 若目标为最小化分类错误率 P(x) )c (c)P(x )()(max arg )(*),(1)(,1if 0ij P x c P x c P x h x c P x c R otherwise j i y c = =-=?? ?==∈其中即则，λ 推到过程：
) (max arg )(*)) (1(min arg ) (min arg ) (min arg )(*1 1 x X c y P x h x X c y P x X c y P x X c P x h k y c k y c k K k y c k K k ij y c ======-==≠===∈∈=∈=∈∑∑λ ① 先假定类条件概率具有某种确定的概率分布条件； ② 再基于训练样本对概率分布的参数进行估计 对于）（c P x 来说就是假设）（c P x 具有确定的形式并且被参数向量c Θ唯一确定，则任务就是利用训练集D 来估计参数c Θ，）（c P x 记为）（c x ΘP 参数c Θ的极大似然Λ Θ； ) x ()()x (log )(log )()(max arg c C C C D X C C C c c P D P P D P LL LL C Θ∏=ΘΘ =Θ=ΘΘ=Θ∑∈Λ 其中 注：这种参数化的方法估计结果的准确性依赖于所假设的概率分布形式是否符合潜在的 真实数据分布 三、朴素贝叶斯分类器【解决了后验概率）（x c P 难计算的问题】 采用了“属性条件独立性假设”，假设每个属性独立地对分类结果发生影响 ) (x c P