Co to jest "naiwny" w naiwnym klasyfikatorze Bayesa?

Question

Co jest naiwne w Naive Bayes?

Answer 1

Jest rzeczywiście bardzo dobrym przykładem on Wikipedia:

W uproszczeniu, naiwne Bayesa klasyfikatora zakłada obecność (lub nieobecność) szczególnej cechy klasy jest związana z obecnością (lub brakiem) jakiejkolwiek innej funkcji, biorąc pod uwagę zmienną klasy. Na przykład, owoc może być uznany za jabłko, jeśli jest czerwony, okrągły i ma średnicę około 4 cali, nawet jeśli cechy te zależą od siebie nawzajem lub od istnienia innych cech, naiwny klasyfikator Bayesa uważa wszystkie te właściwości niezależnie przyczynić się do prawdopodobieństwa, że ​​ten owoc jest jabłko.

Zasadniczo, jest to „naiwne”, ponieważ to sprawia, że ​​założenia, które mogą lub nie mogą okazać się poprawne.

Answer 2

Jeśli dane jest składa się z wektora cech X = {x1, x2, ... x10} i twoich etykiet klas Y = {y1, y2, .. y5} .Więc klasyfikator Bayesa identyfikuje prawidłową etykietę klasy jako taką, która maksymalizuje następujące formuła:

P (Y/X) = P (X/Y) * P (y) = P (x1, x2, ... x10/r) * P (y)

Tak dla, to nadal nie naiwny. Jednak ciężko jest obliczyć P (x1, x2, ... x10/Y), więc zakładamy, że funkcje są niezależne, tak nazywamy założenie Naive, dlatego zamiast tego otrzymujemy następującą formułę:

P (Y/X) = P (x1/r) * P (x2/y) * ... P (x10/r) * P (y)

Answer 3

nazywa się naiwny, ponieważ sprawia, że ​​założenie wszystkie atrybuty są od siebie niezależne. To założenie jest powodem, dla którego nazywa się to naiwnością, ponieważ w wielu rzeczywistych sytuacjach sytuacja ta nie pasuje. Mimo to klasyfikator działa bardzo dobrze w wielu rzeczywistych sytuacjach i ma porównywalną wydajność do neutralnych sieci i maszyn SVM w niektórych przypadkach (choć nie wszystkie).

Answer 4

Klasyfikacja, gdy znajdziemy wspólną dystrybucję, polega na tym, że odzwierciedla dane treningowe i jest bardzo trudna do obliczenia. Potrzebujemy więc czegoś, co generalizuje bardziej użytecznie.

naiwne modelu uogólnia silnie, że każda cecharozdziela się niezależnie od innych cech.

Naprawdę pomaga nie dbać o zależność między atrybutami w dużym stopniu.