ベイズ分類の主なアイデアは何ですか？

分類は、データインスタンスのチームメンバーシップを予測するために使用されるデータマイニングアプローチです。これは2段階の手順です。最初のステップでは、データクラスまたはアプローチの所定のセットを定義するモデルが構築されます。モデルは、属性によって定義されたデータベースタプルを考慮して開発されています。

これは、新しく提示されたオブジェクトの機能を分析し、事前定義されたクラスのコレクションの1つにそれを作成するタスクです。分類ルールを学習するために、システムは予測属性からクラスを予測するルールを検出する必要があるため、最初に各クラスの条件を表す必要があります。このケースがどのクラスに適用されるかを予測できるようにするには、システムに特定の既知の属性値を持つケースまたはタプルを指定する必要があります。

クラスが定義されると、システムは分類を管理するルールを推測する必要があります。したがって、システムは各クラスの表現を検出できる必要があります。説明では、トレーニングセットの予測属性のみを定義して、否定的な例ではなく、肯定的な例のみが特性を満たさなければならないようにする必要があります。ルールの定義がすべての肯定的な例をカバーし、クラスの否定的な例のいずれもカバーされていない場合、ルールは正しいです。

ベイズ分類 −ベイズ分類器は統計的分類器です。特定のサンプルが特定のクラスに属する確率など、クラスメンバーシップの確率を予測できます。ベイジアン分類器は、高度なデータベースに使用した場合にも高い効率と速度を示しています。

単純ベイズ分類器は、特定のクラスに対する属性値の影響は、さまざまな属性の値とは無関係であると見なします。この仮定は、クラス条件付き独立と呼ばれます。含まれる評価を定義するために作成され、ナイーブとして扱われます。

ベイズの定理 −ベイズの定理 −Xをデータタプルとします。ベイズ法では、Xは「証拠」として扱われます。データタプルXが特定のクラスCに属することを含め、Hをいくつかの仮説とします。確率P（H | X）は、データを定義するために決定されます。この確率P（H | X）は、仮説Hの影響が「証拠」または注目されたデータタプルXを与えた確率です。

P（H | X）は、Xを条件とするHの事後確率です。たとえば、データタプルの性質は、一般に、属性の年齢と収入によって定義されるユーザーに限定され、XはRsを持つ30歳のユーザーであると考えてください。 20,000の収入。 Hは、ユーザーがコンピューターを購入するという仮説であると想定します。したがって、P（H | X）は、ユーザーの年齢と収入が確認された場合に、ユーザーXがコンピューターを購入する確率を逆転させます。

P（H）は、Hの事前確率です。たとえば、これは、年齢、収入、またはその他のデータに関係なく、特定のユーザーがコンピューターを購入する確率です。事後確率P（H | X）は、Xがない事前確率P（H）よりも多くのデータにあります。

同様に、P（X | H）は、Hを条件とするXの事後確率です。これは、ユーザーXが30歳で、Rsを獲得する確率です。 20,000。

P（H）、P（X | H）、およびP（X）は、与えられた情報から測定できます。ベイズの定理は、P（H）、P（X | H）、およびP（X）から事後確率P（H | X）を計算する方法をサポートします。それは

$$ P（H | X）=\ frac {P（X | H）P（H）} {P（X）} $$