Naive Bayes Classifier

un clasificador es un modelo de aprendizaje automático que se utiliza para discriminar diferentes objetos en función de ciertas características.

principio del clasificador Bayes ingenuo:

un clasificador Bayes ingenuo es un modelo probabilístico de aprendizaje automático que se utiliza para tareas de clasificación. El quid del clasificador se basa en el teorema de Bayes.,

el Teorema de Bayes:

Usando el teorema de Bayes, podemos encontrar la probabilidad de Un suceso, dado que B ha ocurrido. Aquí, B es la evidencia y a es la hipótesis. La suposición hecha aquí es que los predictores / características son independientes. Es decir, la presencia de una característica en particular no afecta a la otra. Por lo tanto se llama ingenuo.

ejemplo:

tomemos un ejemplo para obtener una mejor intuición., Considere el problema de jugar al golf. El conjunto de datos se representa a continuación.

Clasificamos si el día es adecuado para jugar al golf, teniendo en cuenta las características de la jornada. Las columnas representan estas entidades y las filas representan entradas individuales. Si tomamos la primera fila del conjunto de datos, podemos observar que no es adecuado para jugar al golf si el panorama es lluvioso, la temperatura es caliente, la humedad es alta y no hay viento., Hacemos dos suposiciones aquí, una como se indicó anteriormente consideramos que estos predictores son independientes. Es decir, si la temperatura es caliente, no significa necesariamente que la humedad sea alta. Otra suposición hecha aquí es que todos los predictores tienen un efecto igual en el resultado. Es decir, el día de ser ventoso no tiene más importancia en la decisión de jugar al golf o no.,

de Acuerdo a este ejemplo, el teorema de Bayes puede ser reescrita como:

La variable y es la variable de clase(juego de golf), que representa si es adecuado para jugar al golf o no dadas las condiciones. La Variable X representa los parámetros / características.,

X está dado como:

Aquí x_1,x_2….x_n representan las características, es decir, se pueden asignar a outlook, temperatura, humedad y viento., Sustituyendo el valor de X y ampliar el uso de la regla de la cadena obtenemos,

Ahora, usted puede obtener los valores de cada mirando el conjunto de datos y sustituir en la ecuación. Para todas las entradas del conjunto de datos, el denominador no cambia, permanece estático. Por lo tanto, se puede eliminar el denominador y se puede introducir una proporcionalidad.,

En nuestro caso, la variable de clase(y) tiene sólo dos resultados posibles, sí o no. Podría haber casos en los que la clasificación podría ser multivariante. Por lo tanto, necesitamos encontrar la clase y con la máxima probabilidad.,

Uso de la función anterior, podemos obtener la clase, dada la predictores.

tipos de clasificador Bayes ingenuo:

esto se utiliza principalmente para el problema de clasificación de documentos, es decir, si un documento pertenece a la categoría de deportes,política, tecnología, etc. Las características / predictores utilizados por el clasificador son la frecuencia de las palabras presentes en el documento.,

Bernoulli Naive Bayes:

esto es similar a los bayes multinomiales naive pero los predictores son variables booleanas. Los parámetros que utilizamos para predecir la variable de clase solo toman valores sí o no, por ejemplo si una palabra aparece en el texto o no.

Bayes gaussiano ingenuo:

cuando los predictores toman un valor continuo y no son discretos, asumimos que estos valores se muestrean de una distribución gaussiana.,