Zor Naive Bayes sürecini anlamak buluyorum, ve eğer birisi İngilizce adım süreci basit bir adım ile anlattı diye merak ediyordum. Defa bir olasılık olarak oluştu karşılaştırmaları alır anlıyorum, ama eğitim veri gerçek veri kümesi ile ilgili olduğu hakkında hiçbir fikrim yok.

Bana eğitim set çalış bir açıklama verin lütfen. Burada meyveler için çok basit bir örnek, örneğin muz gibi veriyorum

training set---
round-red
round-orange
oblong-yellow
round-red

dataset----
round-red
round-orange
round-red
round-orange
oblong-yellow
round-red
round-orange
oblong-yellow
oblong-yellow
round-red

Anladığım kadarıyla sorunuzu iki parçaya ayrılmıştır. Sen Naive Bayes için daha anlayışlı olmak lazım sınıflandırıcı & ikinci karışıklığı Eğitim Seti çevreleyen.

Genel olarak Makine Öğrenme Algoritmaları öğrenme görevleri sınıflandırma, tahmin vb denetimli için eğitilmelidir. ya da kümelenme gibi öğrenme görevleri denetimsiz.

Eğitim demek için onları eğitmek, Özel Giriş, böylece daha sonra test edebiliriz onlar için bilinmeyen giriş (ki onlar, daha önce hiç görmediği) için hangi olabilir sınıflandırmak ya da tahmin etmek vb (halinde denetimli öğrenme) dayalı öğrenmeleri. Bu Makinenin en Sinir Ağları, SVM, Bayesian vb gibi teknikleri Öğrenme. üzerine. temel

Genel Makine Öğrenme projesi temelde Geliştirme Seti (Eğitim Seti Dev-Test Set) & Test Kümesi (veya Değerlendirme seti) giriş ayarla bölmek lazım. Temel Amacınız, sistem ve asla da Dev ayarlamak veya test set daha önce görmüş yeni girişler öğrenir sınıflandırır olacağını unutmayın.

Test kümesi genellikle eğitim kümesi ile aynı biçimi vardır. Biz sadece ancak, test kümesi eğitim corpus ayrı olmak çok önemlidir: yeni örneklere genelleme öğrenmeden test kümesi eğitim kümesi yeniden, o zaman sadece kendi giriş ezberlemiş bir model, aygıt yüksek puanlar alacak.

Bir örnek olmak üzere, genel olarak, 70% Eğitim Seti durumlar olabilir. Ayrıca rastgele eğitim ve test kümesi bölümleme unutmayın.

Şimdi Naive Bayes hakkında diğer sorunuza geliyorum.

Örnekte kaynak: 43**

Naif Bayes Sınıflandırma kavramını göstermek için, aşağıda verilen örnek göz önünde bulundurun:

Belirtildiği gibi, nesneleri ya GREEN RED olarak sınıflandırılabilir. Bizim görev geldiklerinde, yani, şu anda varolan nesneleri dayalı olarak ait olduğu karar, yeni davalar sınıflandırmak için.

Beri orada iki kat daha fazla GREEN nesneler RED, makul inandığımız bu yeni bir olgu (bulunmadı gözlenen henüz) göre iki kat daha var üyelik GREEN yerine RED. Bayes analizinde, bu inanç önce olasılık olarak bilinir. Önce olasılıkları önceki deneyim, bu durumda GREEN RED yüzde nesneleri dayalı, ve genellikle onlar aslında gerçekleşmeden önce sonuçları tahmin etmek için kullanılır.

Dolayısıyla, yazabiliriz:

GREEN önceden Olasılık: number of GREEN objects / total number of objects

RED önceden Olasılık: number of RED objects / total number of objects

Hangi GREEN 20 RED, 60 nesneler 40 toplam olmadığından sınıf üyelik için önce bizim olasılıklar vardır:

GREEN için önce Olasılık: 19**

RED önceki Olasılık: 20 / 60

Önce bizim olasılık formüle sahip, şimdi yeni bir nesne (diyagram 22 ** Daire altında) sınıflandırmak için hazırız. Beri nesneleri de kümelenmiş, makul varsayıyorum daha fazla GREEN (ya da RED) nesneleri yakınlarında X, daha yeni davalara ait olan belirli bir renk. Sınıf etiketlerine bakmaksızın bir sayı (a priori seçilecek) noktaları kapsayan bu olasılığı ölçmek için, etrafında bir çember çizeriz X. Daha sonra Daire, her sınıfa ait olan puan sayısını etiket hesaplamak. Bu olasılığı hesaplamak:

Gelen yukarıdaki resim, bu net bu Olasılık X verilen GREEN daha küçük Olasılık X verilen RED beri çemberi kapsar 1 GREEN nesne ve 3 RED olanlar. Böylece:

Gerçi daha önce olasılıkları gösteren X ait GREEN (verilen bu iki kat daha fazla GREEN göre RED) olasılığını gösterir aksi halde; yani sınıf üyeliği X RED (verilen bu çok daha fazla RED nesneleri yakınlarında X GREEN). Bu Bayesian analizi, son sınıflandırma ürettiği birleştirerek hem kaynak oluşturan, yani bir önceki ve bir hayat yaşamak için bir form posterior olasılık kullanarak sözde Bayes kuralı (adında sonra Rahip Thomas Bayes 1702-1761).

Son olarak, sınıf üyeliğinin en büyük posterior olasılık elde beri RED X olarak sınıflandırır.