Visualizing NaïveBayesTurn now to t

Visualizing NaïveBayes
Turn now to the NaïveBayes classifier. Its assumption that attributes are conditionally
independent given a particular class value means that the overall class probability
is obtained by simply multiplying the per-attribute conditional probabilities together
(and taking into account the class prior probabilities as well). In other words, with
two attributes, if you know the class probabilities along the x- and y-axes (and the
class prior), you can calculate the value for any point in space by multiplying them
together (and then normalizing). This is easy to understand if you visualize it as a
boundary plot.
Plot the predictions of NaïveBayes. But first discretize the attribute values. By
default, Weka’s NaiveBayes classifier assumes that the attributes are normally distributed
given the class. You should override this by setting useSupervisedDiscretization
to true using the Generic Object Editor window. This will cause NaïveBayes to
discretize the numeric attributes in the data with a supervised discretization technique.
In most practical applications of NaïveBayes, supervised discretization works
better than the default method. It also produces a more comprehensible visualization,
which is why we use it here.
Exercise 17.3.7. The plot that is generated by visualizing the predicted class
probabilities of NaïveBayes for each pixel location is quite different from
anything we have seen so far. Explain the patterns in it.

ผลลัพธ์ (ไทย) 1:

แสดงผล NaïveBayes
เปิด NaïveBayes classifier ตอนนี้ ของอัสสัมชัญที่มีแอตทริบิวต์อย่างมีเงื่อนไข
อิสระที่ให้ค่าคลาสเฉพาะหมายความ ว่า ความน่าเป็นชั้นรวม
รับคูณเพียงแค่กิจกรรมมีเงื่อนไขสำหรับแต่ละแอททริบิวต์ด้วยกัน
(และคำนึงถึงชั้นก่อนกิจกรรมเช่น) ในคำอื่น ๆ มี
คุณลักษณะสอง ถ้าคุณทราบว่าการเรียนกิจกรรมตาม x - และ y - axes (และ
ก่อนคลาส), คุณสามารถคำนวณค่าของจุดใด ๆ ในพื้นที่คูณนั้น
กัน (และ normalizing แล้ว) สามารถเข้าใจถ้าคุณเห็นภาพเป็นแบบ
ขอบเขตแผนการ
พล็อตคาดคะเนของ NaïveBayes แต่ก่อน discretize ค่าแอททริบิวต์ โดย
เริ่มต้น ของ weka NaiveBayes classifier สันนิษฐานว่า แอตทริบิวต์ปกติกระจาย
ให้ชั้น คุณควรแทนที่ค่านี้ โดยการตั้งค่า useSupervisedDiscretization
จริงใช้หน้าต่างตัวแก้ไขทั่วไป ซึ่งจะทำให้ NaïveBayes ไป
discretize แอตทริบิวต์ตัวเลขในข้อมูลด้วยเทคนิค discretization มีการ.
ในการประยุกต์ใช้งานจริงมากที่สุดของ NaïveBayes แบบมีผู้สอนงาน discretization
ดีกว่าวิธีการเริ่มต้น มันยังสร้างเพลงขึ้น comprehensible,
ซึ่งเป็นเหตุผลที่เราใช้ที่นี่
กาย 17.3.7 พล็อตที่ถูกสร้างขึ้น โดยการแสดงผลระดับคาดการณ์
กิจกรรม NaïveBayes สำหรับสถานแต่ละพิกเซลจะค่อนข้างแตกต่างจาก
สิ่งที่เราได้เห็นจน อธิบายรูปแบบใน

ผลลัพธ์ (ไทย) 2:

NaïveBayesภาพ
เปิดตอนนี้เพื่อลักษณนามNaïveBayes สมมติฐานที่มีคุณสมบัติตามเงื่อนไข
ที่เป็นอิสระได้รับค่าเรียนโดยเฉพาะอย่างยิ่งหมายความว่าน่าจะเป็นชั้นเรียนโดยรวม
ได้โดยเพียงแค่คูณความน่าจะเป็นต่อแอตทริบิวต์เงื่อนไขร่วมกัน
(และคำนึงถึงระดับความน่าจะเป็นก่อนเช่นกัน) ในคำอื่น ๆ ที่มี
สองลักษณะถ้าคุณรู้ว่าน่าจะเป็นชั้นตามแนว x และ y-แกน (และ
ชั้นเรียนก่อน) คุณสามารถคำนวณค่าสำหรับจุดในพื้นที่ใดโดยการคูณพวกเขา
เข้าด้วยกัน (แล้ว normalizing) นี้เป็นที่เข้าใจง่ายถ้าคุณเห็นภาพว่ามันเป็น
พล็อตขอบเขต
พล็อตการคาดการณ์ของNaïveBayes แต่ก่อน discretize ค่าแอตทริบิวต์ โดย
ค่าเริ่มต้นของ Weka NaiveBayes ลักษณนามสันนิษฐานว่าลักษณะที่มีการกระจายตามปกติ
ที่ได้รับในชั้นเรียน คุณควรแทนที่นี้โดยการตั้งค่า useSupervisedDiscretization
จริงใช้หน้าต่างแก้ไขวัตถุทั่วไป ซึ่งจะทำให้เกิดการNaïveBayes
discretize คุณลักษณะตัวเลขในข้อมูลด้วยเทคนิคไม่ต่อเนื่องภายใต้การดูแล
ในการใช้งานจริงมากที่สุดของNaïveBayesดูแล discretization ทำงาน
ที่ดีกว่าวิธีการเริ่มต้น นอกจากนี้ยังผลิตภาพเข้าใจมากขึ้น
ซึ่งเป็นเหตุผลที่เราใช้มันที่นี่
การออกกำลังกาย 17.3.7 พล็อตที่สร้างขึ้นโดยการแสดงผลการเรียนที่คาดการณ์
ความน่าจะเป็นของNaïveBayesสำหรับตำแหน่งแต่ละพิกเซลค่อนข้างแตกต่างจาก
สิ่งที่เราได้เห็นเพื่อให้ห่างไกล อธิบายรูปแบบที่อยู่ในนั้น

ผลลัพธ์ (ไทย) 3:

การสร้างภาพ na ไต vebayes
กลับไปนาไต vebayes ลักษณนาม เป็นสมมติฐานที่คุณลักษณะตามเงื่อนไข
อิสระได้รับค่าชั้นโดยเฉพาะหมายความว่า
ความน่าจะเป็นชั้นโดยรวมได้โดยเพียงแค่คูณต่อคุณลักษณะเงื่อนไขความน่าจะเป็นกัน
( และคำนึงถึงระดับความน่าจะเป็นก่อนเช่นกัน ) ในคำอื่น ๆด้วย
สองลักษณะถ้าคุณรู้ระดับความน่าจะเป็นตาม X - และ y-axes (
เรียนก่อน ) คุณสามารถคำนวณค่าจุดใด ๆในพื้นที่ โดยการนำพวกเขา
ด้วยกัน ( แล้วปกติ ) นี้เป็นเรื่องง่ายที่จะเข้าใจถ้าคุณเห็นมันเป็น

ขอบแปลง แปลงนา vebayes คำทำนายของไต . แต่อย่างแรก discretize คุณลักษณะค่า โดย
เริ่มต้นเวก้าเป็นนา ฟ เบส์แบบสมมติว่าคุณสมบัติมีการแจกแจงปกติ
ให้ชั้น คุณควรแทนที่นี้โดยการตั้งค่า usesuperviseddiscretization
True ใช้ทั่วไปตัวแก้ไขวัตถุหน้าต่าง นี้จะทำให้ไต vebayes นา

discretize คุณลักษณะตัวเลขในข้อมูลที่มีค่าในการใช้ประโยชน์ของนาที่สุด
vebayes ไต ,ค่าดูแลงาน
ดีกว่าวิธีการเริ่มต้นที่ . มันยังสร้างการเข้าใจมากขึ้น
ซึ่งเป็นเหตุผลที่เราใช้นี้ ออกกำลังกาย 17.3.7
. พล็อตที่ถูกสร้างขึ้นโดยการคาดการณ์ระดับ
ความน่าจะเป็นของ na ไต vebayes สำหรับแต่ละพิกเซล สถานที่ค่อนข้างแตกต่างจากสิ่งที่เราได้เห็นเพื่อให้ห่างไกล
. อธิบายรูปแบบในมัน