나이브 베이즈 파이썬 예제

“순진한 베이즈”의 “순진한”이 들어오는 곳입니다 : 우리는 각 레이블에 대한 생성 모델에 대한 매우 순진한 가정을하는 경우, 우리는 각 클래스에 대한 생성 모델의 대략적인 근사치를 찾을 수 있습니다, 다음 베이지안 분류를 진행. 다른 유형의 순진한 Bayes 분류자는 데이터에 대한 다른 순진한 가정에 달려 있으며 다음 섹션에서 이 중 몇 가지를 살펴보겠습니다. 이제 Naive Bayes가 정확히 무엇이며 어떻게 작동하는지 에 대한 아이디어를 가지고 있으므로 업계에서 사용되는 위치를 살펴보겠습니다. Naive Bayes 분류기는 베이지안 분류 방법에 기반을 두고 있습니다. 이들은 통계 수량의 조건부 확률의 관계를 설명하는 방정식인 Bayes의 정리에 의존합니다. 베이지안 분류에서는 $P(L~~{+)$로 쓸 수 있는 몇 가지 관찰된 기능을 고려하여 레이블의 확률을 찾는 데 관심이 있습니다. Bayes의 정리는 우리가 더 직접적으로 계산 할 수있는 수량측면에서 이를 표현하는 방법을 알려줍니다 : 코드는 Python 2.7용으로 작성되었습니다. 아마도 당신은 파이썬 3을 사용하고 있습니까? 다시 말하지만, scikit 학습 (파이썬 라이브러리) 파이썬에서 순진한 베이즈 모델을 구축하는 데 도움이 될 것입니다. scikit 학습 라이브러리에서 Naive Bayes 모델의 세 가지 유형이 있습니다 : 의료 데이터를 처리 할 때, Naive Bayes 분류자는 최종 예측을하기 위해 많은 특성의 증거를 고려하고 결정에 대한 투명한 설명을 제공하고 따라서 의사의 결정을 지원하는 가장 유용한 분류자 중 하나로 간주됩니다. 가설 (H)과 증거 (E)를 감안할 때, 베이즈 의 정리는 증거를 얻기 전에 가설의 확률 사이의 관계, P (H), 그리고 증거를 얻은 후 가설의 확률, P (H | E), : 이러한 장점은 순진한 베이지안 분류기는 종종 초기 기준 분류로 좋은 선택임을 의미합니다. 그것은 적절하게 수행하는 경우, 다음 축하 : 당신은 당신의 문제에 대한 매우 빠르고, 매우 해석 분류가있습니다. 성능이 좋지 않으면 보다 정교한 모델을 탐색할 수 있으며, 성능이 얼마나 잘 되는지에 대한 몇 가지 기본 지식을 제공합니다. 날씨 예측을 위한 베이지안 기반 모델이 사용되며, 여기서 후방 확률은 입력 데이터 인스턴스에 대한 각 클래스 레이블의 가능성을 계산하는 데 사용되고 최대 우도가 있는 모델은 결과 출력으로 간주됩니다.

파이썬에서 사이킷 학습에 대해 자세히 알아보려면 Scikit-learn 코스로 DataCamp의 감독 학습 과정을 수강하십시오.

This entry was posted in Uncategorized. Bookmark the permalink.