なぜナイーブベイジアンはナイーブと呼ばれる分類ですか？

ベイジアン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、大規模なデータベースに適用した場合にも高い精度と速度を示しました。

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説明を見つけることができるはずです。説明は、トレーニングセットの予測属性のみを参照する必要があります。これにより、否定的な例ではなく、肯定的な例のみが説明を満たす必要があります。ルールの説明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、ルールは正しいと言われます。

すべての属性による寄与は独立しており、それぞれが分類問題に等しく寄与していると想定しています。これは、ナイーブベイズ分類と呼ばれる単純な分類スキームです。各「独立した」属性の寄与を分析することにより、条件付き確率が決定されます。分類は、さまざまな属性が行われる予測に与える影響を組み合わせて行われます。

ナイーブベイズ分類は、クラスの条件付き独立を前提としているため、ナイーブと呼ばれます。特定のクラスに対する属性値の影響は、他の属性の値とは無関係です。この仮定は、計算コストを削減するために行われるため、ナイーブと見なされます。

ベイズの定理 −Xをデータタプルとします。ベイズの用語では、Xは「証拠」と見なされます。データタプルXが指定されたクラスCに属するなど、Hをいくつかの仮説とします。確率P（H | X）は、データを分類するために決定されます。この確率P（H | X）は、「証拠」または観測されたデータタプルXが与えられた場合に仮説Hが成り立つ確率です。

P（H | X）は、Xを条件とするHの事後確率です。たとえば、データタプルの世界が、それぞれ属性年齢と収入で記述される顧客に限定され、XがRsを持つ30歳の顧客であるとします。 20,000の収入。 Hが、顧客がコンピューターを購入するという仮説であると仮定します。次に、P（H | X）は、顧客の年齢と収入がわかっている場合に、顧客Xがコンピューターを購入する確率を反映します。

P（H）は、Hの事前確率です。たとえば、これは、年齢、収入、またはその他の情報に関係なく、特定の顧客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に依存しない事前確率P（H）よりも多くの情報に基づいています。

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、顧客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、与えられたデータから推定できます。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）を計算する方法を提供します。それは

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