Naive Bayes is a simple technique f

Naive Bayes is a simple technique for constructing classifiers: models that assign class labels to problem instances, represented as vectors of feature values, where the class labels are drawn from some finite set. It is not a single algorithm for training such classifiers, but a family of algorithms based on a common principle: all naive Bayes classifiers assume that the value of a particular feature is independent of the value of any other feature, given the class variable. For example, a fruit may be considered to be an apple if it is red, round, and about 3" in diameter. A naive Bayes classifier considers each of these features to contribute independently to the probability that this fruit is an apple, regardless of any possible correlations between the color, roundness and diameter features.

For some types of probability models, naive Bayes classifiers can be trained very efficiently in a supervised learning setting. In many practical applications, parameter estimation for naive Bayes models uses the method of maximum likelihood; in other words, one can work with the naive Bayes model without accepting Bayesian probability or using any Bayesian methods.

Despite their naive design and apparently oversimplified assumptions, naive Bayes classifiers have worked quite well in many complex real-world situations. In 2004, an analysis of the Bayesian classification problem showed that there are sound theoretical reasons for the apparently implausible efficacy of naive Bayes classifiers.[5] Still, a comprehensive comparison with other classification algorithms in 2006 showed that Bayes classification is outperformed by other approaches, such as boosted trees or random forests.[6]

ผลลัพธ์ (ไทย) 2:

Naive Bayes เป็นเทคนิคง่ายๆในการสร้างจําแนก: ที่กำหนดฉลากระดับกรณีปัญหาที่เกิดขึ้นแสดงเป็นพาหะของค่าคุณลักษณะที่ป้ายชั้นที่มาจากบางขอบเขต มันไม่ได้เป็นอัลกอริทึมเดียวสำหรับการฝึกอบรมการจําแนกดังกล่าว แต่ครอบครัวของขั้นตอนวิธีบนพื้นฐานของหลักการที่เหมือนกัน: จําแนกเบส์ทั้งหมดที่ไร้เดียงสาสมมติว่าค่าของคุณลักษณะเฉพาะที่เป็นอิสระจากค่าของคุณลักษณะอื่น ๆ ที่ได้รับตัวแปรระดับ ตัวอย่างเช่นผลไม้อาจจะถือเป็นแอปเปิ้ลถ้ามันเป็นสีแดงรอบและประมาณ 3 "ในเส้นผ่าศูนย์กลาง. จําแนกเบส์ซื่อๆพิจารณาแต่ละคุณลักษณะเหล่านี้จะมีส่วนร่วมในการเป็นอิสระน่าจะเป็นที่ผลไม้ชนิดนี้เป็นแอปเปิ้ลโดยไม่คำนึงถึง ความสัมพันธ์ที่เป็นไปได้ใด ๆ ระหว่างสีกลมและคุณสมบัติขนาดเส้นผ่าศูนย์กลาง. สำหรับบางชนิดของรูปแบบความน่าจะเป็นเบส์จําแนกไร้เดียงสาสามารถผ่านการฝึกอบรมอย่างมีประสิทธิภาพมากในการตั้งค่าการเรียนรู้ภายใต้การดูแล. ในการใช้งานจริงเป็นจำนวนมากประมาณค่าพารามิเตอร์สำหรับรุ่นเบส์ใช้วิธีการที่ไร้เดียงสาของความน่าจะเป็นสูงสุด . ในคำอื่น ๆ หนึ่งสามารถทำงานร่วมกับรูปแบบเบส์ไร้เดียงสาโดยไม่ยอมรับความน่าจะเป็นแบบเบย์หรือใช้วิธีการใด ๆ คชกรรม. แม้จะมีการออกแบบที่ไร้เดียงสาและข้อสมมติฐานที่เห็นได้ชัดสมจริงสมจังของพวกเขาไร้เดียงสาจําแนกเบส์ได้ทำงานได้ค่อนข้างดีในหลาย ๆ ที่ซับซ้อนสถานการณ์จริงของโลกในปี 2004 การวิเคราะห์ปัญหาการจัดหมวดหมู่คชกรรมแสดงให้เห็นว่ามีเหตุผลทางทฤษฎีเสียงสำหรับการรับรู้ความสามารถเห็นได้ชัดว่าไม่น่าเชื่อของตัวจําแนกเบส์ไร้เดียงสา. [5] ยังเปรียบเทียบครอบคลุมกับขั้นตอนวิธีการจัดหมวดหมู่อื่น ๆ ในปี 2006 แสดงให้เห็นว่าการจัดหมวดหมู่ Bayes จะทำได้ดีกว่าด้วยวิธีอื่น ๆ เช่น เพิ่มขึ้นต้นไม้หรือป่าสุ่ม. [6]

ผลลัพธ์ (ไทย) 3:

ไร้เดียงสา Bayes ลักษณนามเป็นเทคนิคง่ายๆสำหรับการสร้างแบบจำลองที่กำหนดฉลากระดับกรณีปัญหาที่แสดงเป็นเวกเตอร์ลักษณะค่านิยมที่ระดับป้ายวาดจากเซตจำกัด . มันไม่ได้เป็นวิธีเดียวสำหรับการฝึกอบรมดังกล่าว คำลักษณนาม แต่ครอบครัวของขั้นตอนวิธีตามหลักการทั่วไป :ทั้งหมด Naive Bayes ลักษณนาม สมมติว่าค่าคุณลักษณะเฉพาะอิสระของค่าใด ๆคุณสมบัติอื่น ๆที่ได้รับระดับของตัวแปร ตัวอย่างเช่น ผลไม้ที่อาจถือได้ว่าเป็น แอปเปิ้ล ถ้ามันเป็นสีแดง รอบ ประมาณ 1 " ในเส้นผ่าศูนย์กลาง ไร้เดียงสา Bayes ลักษณนามพิจารณาแต่ละคุณลักษณะเหล่านี้จะสนับสนุนอย่างอิสระเพื่อความเป็นไปได้ว่าผลไม้นี้แอปเปิ้ลไม่ว่าที่สุด ความสัมพันธ์ระหว่าง สี , ลักษณะ และขนาดเส้นผ่าศูนย์กลางกลม

สำหรับบางประเภทของแบบจำลองความน่าจะเป็น ไร้เดียงสา Bayes ลักษณนามสามารถรับการฝึกอบรมมีประสิทธิภาพมากในการดูแลการตั้งค่าการเรียนรู้ ในการปฏิบัติงานหลาย การประมาณค่าพารามิเตอร์แบบไร้เดียงสา Bayes ใช้วิธีความควรจะเป็นสูงสุด ; ในคำอื่น ๆหนึ่งสามารถทำงานกับ Naive Bayes รูปแบบโดยไม่ยอมรับทฤษฎีความน่าจะเป็นแบบเบย์หรือใช้วิธีเบส์

แม้จะมีการออกแบบไร้เดียงสาของพวกเขาและดูเหมือนว่ายอดคุณสมบัติสมมติฐาน Naive Bayes ลักษณนามได้ทำงานได้ดีในสถานการณ์จริงที่ซับซ้อนมากมาย ในปี 2004 ,การวิเคราะห์ปัญหาการจำแนกแบบเบส์ พบว่า มีสาเหตุ เสียง ทฤษฎีความน่าเชื่อเห็นได้ชัดของไร้เดียงสา Bayes ลักษณนาม [ 5 ] ยังครอบคลุมการเปรียบเทียบกับขั้นตอนวิธีการอื่น ๆ ในปี 2549 พบว่า การจำแนก Bayes โดยวิธีการอื่น ๆเพิ่มขึ้น เช่น เพิ่มต้นไม้หรือป่า [ 6 ]
สุ่ม