The approach is called “naïve” beca

The approach is called “naïve” because it assumes the
independence between the various attribute values. Naïve
Bayes classification can be viewed as both a descriptive
and a predictive type of algorithm. The probabilities are
descriptive and are then used to predict the class
membership for a target tuple. The naïve Bayes approach
has several advantages: it is easy to use; unlike other
classification approaches only one scan of the training data
is required; easily handle mining value by simply omitting
that probability [10]. An advantage of the naive Bayes
classifier is that it requires a small amount of training data
to estimate the parameters (means and variances of the
variables) necessary for classification. Because
independent variables are assumed, only the variances of
the variables for each class need to be determined and not
the entire covariance matrix. In spite of their naive design
and apparently over-simplified assumptions, naive Bayes
classifiers have worked quite well in many complex realworld
situations [16].

ผลลัพธ์ (ไทย) 1:

วิธีการเรียกว่า "ขำน่า" เนื่องจากมันถือว่าการความเป็นอิสระระหว่างค่าของแอททริบิวต์ต่าง ๆ ขำน่าBayes ประเภทสามารถใช้เป็นทั้งคำอธิบายและชนิดงานของอัลกอริทึม กิจกรรมที่มีอธิบาย และถูกนำไปใช้เพื่อทำนายการเรียนสมาชิกของทูเพิลเป้าหมาย วิธีการ Bayes ขำน่ามีข้อดีหลายประการ: มันใช้งานง่าย ไม่เหมือนกันประเภทใกล้แกนเดียวของข้อมูลการฝึกอบรมจำเป็น จัดการค่าทำเหมือง โดยไม่ใส่ก็ได้ความที่ว่า [10] ข้อดีของ Bayes ขำน่าclassifier เป็นที่ต้องการข้อมูลการฝึกอบรมจำนวนการประมาณพารามิเตอร์ (วิธีการและผลต่างของการตัวแปร) ที่ความจำเป็นสำหรับการจัดประเภท เนื่องจากตัวแปรอิสระจะสันนิษฐาน ผลต่างของต้องกำหนดตัวแปรสำหรับแต่ละคลาส และไม่เมตริกซ์ความแปรปรวนร่วมของทั้ง แม้ออกแบบขำน่าและเห็นได้ชัดง่ายเกิน สมมติฐาน ขำน่า Bayesคำนามภาษาทำงานค่อนข้างดีใน realworld ซับซ้อนมากสถานการณ์ [16]

ผลลัพธ์ (ไทย) 2:

วิธีการที่เรียกว่า "ไร้เดียงสา" เพราะถือว่า
เป็นอิสระระหว่างค่าแอตทริบิวต์ต่างๆ ไร้เดียงสา
การจัดหมวดหมู่ของเบย์สามารถดูได้ขณะที่ทั้งสองพรรณนา
และประเภทการคาดการณ์ของอัลกอริทึม ความน่าจะเป็น
เชิงพรรณนาและถูกนำมาใช้ในการคาดการณ์ระดับ
สมาชิกสำหรับ tuple เป้าหมาย วิธีเบส์ไร้เดียงสา
มีข้อดีหลายประการ: มันเป็นเรื่องง่ายที่จะใช้; ซึ่งแตกต่างจากคนอื่น ๆ
วิธีการจัดหมวดหมู่เพียงหนึ่งสแกนข้อมูลการฝึกอบรม
จะต้อง; จัดการได้ง่ายมูลค่าการทำเหมืองแร่โดยเพียงแค่ถนัด
น่าจะเป็นที่ [10] ประโยชน์จาก Bayes ไร้เดียงสา
ลักษณนามคือว่ามันต้องมีจำนวนเล็ก ๆ ของข้อมูลการฝึกอบรม
ในการประมาณค่าพารามิเตอร์ (วิธีการและความแปรปรวนของ
ตัวแปร) ที่จำเป็นสำหรับการจัดหมวดหมู่ เพราะ
ตัวแปรอิสระจะถือว่าเพียงความแปรปรวนของ
ตัวแปรสำหรับแต่ละชั้นจะต้องมีการกำหนดและไม่
แปรปรวนเมทริกซ์ทั้งหมด ทั้งๆที่มีการออกแบบที่ไร้เดียงสาของพวกเขา
และเห็นได้ชัดกว่าสมมติฐานง่ายไร้เดียงสา Bayes
ลักษณนามได้ทำงานได้ค่อนข้างดีในหลาย RealWorld ซับซ้อน
สถานการณ์ [16]

ผลลัพธ์ (ไทย) 3:

วิธีการที่เรียกว่า " na ไตได้ " เพราะมันถือว่า
ความเป็นอิสระระหว่างค่าคุณลักษณะต่าง ๆ นาไตได้
Bayes หมวดหมู่สามารถถูกมองว่าเป็นทั้งบรรยาย
และชนิดพยากรณ์ของขั้นตอนวิธี ความน่าจะเป็น คือ
บรรยายแล้วทำนายสมาชิกคลาส
สำหรับเป้าหมาย tuple . นาไตได้ Bayes วิธีการ
มีข้อดีหลายประการ : มันเป็นเรื่องง่ายที่จะใช้ ;
ซึ่งแตกต่างจากอื่น ๆการจำแนกวิธีเดียวสแกนของการฝึกอบรมข้อมูล
จะต้อง ; ได้อย่างง่ายดายจัดการเหมืองแร่มูลค่าเพียงละเว้น
ที่ความน่าจะเป็น [ 10 ] ข้อดีของไร้เดียงสา Bayes ลักษณนาม
ก็คือว่ามันต้องเป็นจำนวนเงินที่เล็ก ๆของการฝึกอบรมข้อมูล
เพื่อประมาณค่าพารามิเตอร์ ( ค่าเฉลี่ยและความแปรปรวนของตัวแปร
) ที่จำเป็นสำหรับการจำแนกประเภท เพราะ
ตัวแปรอิสระสมมติ มีแต่ความแปรปรวนของ
ตัวแปรในแต่ละระดับจะต้องมีความตั้งใจและไม่
เมทริกซ์ความแปรปรวนทั้งหมด แม้
การออกแบบไร้เดียงสาและเห็นได้ชัดมากกว่าง่ายสมมติฐาน ไร้เดียงสา Bayes ลักษณนาม
ทำงานค่อนข้างดีในสถานการณ์ที่ซับซ้อนหลาย realworld
[ 16 ]