1. Mô hình phân lớp là gì?

Một quy mô phân lớp là 1 quy mô Machine Learning dùng làm phân nhiều loại những thứ mẫu mã dựa trên những tính năng đang khẳng định.quý khách hàng đã xem: Naive bayes là gì

2. Mô hình phân lớp Naive Bayes

Naive Bayes là 1 trong thuật toán phân lớp được quy mô hoá dựa vào định lý Bayes vào Phần Trăm thống kê:

*

, vào đó:

P(y|X) call là posterior probability: phần trăm của mục tiêu y cùng với điều kiện bao gồm đặc trưng XP(X|y) hotline là likelihood: Tỷ Lệ của đặc trưng X khi đang biết kim chỉ nam yP(y) gọi là prior probability của phương châm yP(X) call là prior probability của đặc trưng X

Ở trên đây, X là vector các đặc thù, rất có thể viết dưới dạng:


*

*

Trong mô hình Naive sầu Bayes, có nhị đưa thiết được đặt ra:

Các đặc thù đưa vào quy mô là độc lập cùng nhau. Tức là sự việc đổi khác quý hiếm của một đặc trưng ko ảnh hưởng mang lại các đặc trưng còn sót lại.Các đặc trưng gửi vào mô hình gồm tác động ngang nhau so với cổng đầu ra phương châm.

Bạn đang xem: Naive bayes là gì

Khi kia, kết quả phương châm y để P(y|X) đạt cực đại trsinh hoạt thành:

*

Chính vị nhì trả thiết gần như không lâu dài vào thực tiễn trên, mô hình này bắt đầu được hotline là naive sầu (ntạo thơ). Tuy nhiên, chính sự dễ dàng của nó cùng với bài toán dự đoán vô cùng nkhô nóng kết quả áp ra output khiến cho nó được sử dụng không ít vào thực tiễn trên những cỗ tài liệu bự, mang lại công dụng khả quan. Một vài ba vận dụng của Naive sầu Bayes rất có thể nói tới như: thanh lọc tlỗi rác rến, phân loại vnạp năng lượng bản, dự đân oán sắc thái vnạp năng lượng phiên bản, ...

3. Một số hình trạng mô hình Naive sầu Bayes

3.1. Multinomial Naive Bayes

Mô hình này đa phần được thực hiện vào phân một số loại văn phiên bản. khác lạ nguồn vào ở đây đó là tần suất xuất hiện của từ vào văn uống bạn dạng kia.

Xem thêm: Reason Core Security Là Gì, Download Reason Core Security 3

3.2. Bernoulli Naive Bayes

3.3. Gaussian Naive Bayes

lúc những đặc trưng dìm giá trị tiếp tục, ta mang sử các đặc thù đó tất cả phân pân hận Gaussian. Lúc đó, likelihood sẽ có được dạng:

*

4. Ví dụ

Xét một bộ dữ liệu đơn giản về câu hỏi đi làm muộn của một bạn nhân viên cấp dưới. Sở tài liệu được biểu diễn dạng bảng bên dưới đây:

Giờ dậy (x1)Sức khoẻ (x2)Thời huyết (x3)Đi muộn (y)
1SớmTốtNắngKhông
2SớmXấuMưaKhông
3Bình thườngTốtNắng
4MuộnXấuNắng
5SớmXấuhầu hết mâyKhông
6Bình thườngXấuđa phần mâyKhông
7MuộnTốtNắng
8Bình thườngTốtNắngKhông
9SớmXấuđa phần mây
10MuộnTốtMưa

Bằng việc lập bảng gia tốc (frequency table) mang đến từng đặc thù theo mục tiêu, hoàn toàn có thể tính được likelihood P(X|y).

Giờ dậy (x1)

MuộnKhông muộnP(x1|Muộn)P(x1|Không muộn)
Sớm131/53/5
Bình thường121/52/5
Muộn303/50/5

Sức khoẻ (x2)

MuộnKhông muộnP(x2|Muộn)P(x2|Không muộn)
Tốt323/52/5
Xấu232/53/5

Thời ngày tiết (x3)

MuộnKhông muộnP(x3|Muộn)P(x3|Không muộn)
Nắng323/52/5
Nhiều mây121/52/5
Mưa111/51/5

Giả sử, để tham gia đân oán cho 1 ngày X=(Muộn, Xấu, Mưa), phải tính:

P(Muộn|X) ∝ P(Muộn|Muộn) * P(Xấu|Muộn) * P(Mưa|Muộn) * P(Muộn) = (3/5) * (2/5) * (1/5) * (5/10) = 0.024

P(Không muộn|X) ∝ P(Muộn|Không muộn) * P(Xấu|Không muộn) * P(Mưa|Không muộn) * P(Không muộn) = (0/5) * (3/5) * (1/5) * (5/10) = 0

=> y = argmaxy)P(y) = Muộn.

4. Kết luận

Mô hình Naive Bayes là quy mô phân lớp đơn giản dễ cài đặt, có vận tốc cách xử trí nkhô giòn. Tuy nhiên bao gồm điểm yếu bự là thử khám phá các đặc trưng nguồn vào đề xuất tự do, cơ mà điều đó khó xảy ra vào thực tiễn làm sút unique của quy mô. Thuật tân oán này hay được thực hiện vào so với sắc thái, thanh lọc thỏng rác rến, recommendation systems, ...

Bài viết liên quan

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *