単純ベイズ分類器の特徴は何ですか？

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適用される確率など、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、高いデータベースを持つことができる場合にも、大きな効率と速度を示しています。

クラスが定義されているため、システムは分類を監視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検出できる必要があります。説明は、トレーニングセットの予測属性を定義して、ネガティブインスタンスではなく、ポジティブインスタンスのみが説明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、ナイーブベイズ分類と呼ばれる単純な分類スキームに等しく寄与することを前提としています。

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。特定のクラスでの属性値の実装は、複数の属性の値とは別のものです。この仮定は、計算コストを削減するために行われるため、ナイーブとして扱われます。

観測可能な変数が与えられたトレーニングレコードからネットワークトポロジを理解するために、複数のアルゴリズムが存在します。問題は離散最適化です。人間の専門家は一般に、ネットワーク設計をサポートする分析対象のドメインに影響を与える直接的な条件付き依存関係をよく理解しています。専門家は、直接依存関係で実行されるノードの条件付き確率を定義する必要があります。

これらの確率は、残りの確率値を評価するために使用できます。ネットワークトポロジが確認され、変数が観察可能である場合、ネットワークのトレーニングは簡単です。これには、単純ベイズ分類に含まれる確率を評価するときに同様に完了するように、CPTエントリの計算が含まれます。

ナイーブベイズ分類器には、次のようなさまざまな特徴があります-

データから条件付き確率を推定するときにそのようなポイントが平均化されるため、これらは孤立したノイズポイントに対してロバストです。モデルの構築および分類中にインスタンスを削除することで、欠落している値を管理することもできます。

それらは、無関係な属性に対して堅牢です。 X _iの場合 は不適切な属性であるため、P（X _i | Y）は一貫して分散されます。 X _iのクラス条件付き確率 事後確率の完全な計算には影響しません。

相関する属性は、条件付き独立の仮定がそのような属性に当てはまらないため、単純ベイズ分類器のパフォーマンスを低下させる可能性があります。たとえば、次の確率を考えてみましょう-

P（A =0 | Y =0）=0.4、P（A =1 | Y =0）=0.6、

P（A =0 | Y =1）=0.6、P（A =1 | Y =1）=0.4、

ここで、Aはバイナリ属性であり、Yはバイナリクラス変数です。 Y =0の場合はAと完全に相関し、Y =1の場合はAから独立している別のバイナリ属性Bがあるとします。整合性のために、Bのクラス条件付き確率はAと等しいと考えてください。