ش | ی | د | س | چ | پ | ج |
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 |
انواع طبقهبندی الگوریتم دستهبندی بیز ساده
انواع طبقهبندی الگوریتم دستهبندی بیز ساده Naive Bayes: بسته به نوع داده هر ویژگی، روش متفاوتی موردنیاز است. بهطور خاص، دادهها برای تخمین پارامترها از یکی از سه توزیع احتمال استاندارد استفاده میشوند. در مورد متغیرهای طبقهای، مانند تعداد یا برچسبها، میتوان از توزیع چندجملهای استفاده کرد. اگر متغیرها باینری باشند، مانند بله / خیر یا درست / غلط، میتوان از توزیع دوجملهای استفاده کرد. اگر یک متغیر عددی باشد، مانند اندازهگیری، اغلب از توزیع گوسی استفاده میشود.
باینری(Binary): توزیع دوجملهای (Binomial distribution).
دستهبندی(Categorical): توزیع چندجملهای (Multinomial distribution).
عددی(Numeric): توزیع گوسی (Gaussian distribution).
دستهبند بیز ساده گاوسی (Gaussian Naive Bayes):
این سادهترین طبقهبندی کننده الگوریتم دستهبندی بیز ساده است با این فرض که برچسب هر داده از یک توزیع ساده گوسی گرفتهشده است. این بهطور قابلتوجهی سرعت جستجو را افزایش میدهد و تحت برخی شرایط غیر سخت خطا فقط دو برابر بیشتر از Optimal Bayes است.
دستهبند بیز ساده چندجملهای (Multinomial Naive Bayes):
دیگر طبقهبندی کننده مفید الگوریتم دستهبندی بیز ساده چندجملهای است که در آن فرض میشود ویژگیها از یک توزیع ساده چندجملهای گرفتهشدهاند. چنین تئوری بیز برای ویژگیهایی که ارائهدهنده اعداد گسسته هستند مناسبتر است. این حالت برای مشکلهای طبقهبندی اسناد اعمالمیشود. تصمیمات خود را بر اساس ویژگیهای گسسته (عدد صحیح) بر اساس فراوانی کلمات موجود در سند میگیرد.
دستهبند بیز ساده برنولی (Bernoulli Naive Bayes):
مدل مهم دیگر از الگوریتم دستهبندی بیز ساده برنولی است که در آن فرض میشود ویژگیها یا پیشبینی کنندهها متغیرهای بولی (صفر و یک) هستند. بنابراین پارامترهای مورداستفاده برای پیشبینی متغیر کلاس فقط میتوانند مقادیر بله یا خیر داشته باشند.
کاربردهای الگوریتم دستهبندی بیز ساده
از الگوریتم دستهبندی بیز ساده میتوان استفادههای بیشماری کرد. در اینجا برخی از برنامههای رایج تئوری بیز برای کارهای روزمره وجود دارد:
طبقهبندی اسناد:
این الگوریتم کمک میکند تا تعیین شود که یک سند مشخص به کدام دسته تعلق دارد. میتواند برای طبقهبندی متون به زبانها، ژانرها یا موضوعات مختلف (از طریق کلمات کلیدی) مورداستفاده قرار گیرد. فیلتر هرزنامه تئوری بیز بهراحتی هرزنامهها را با استفاده از کلمات کلیدی مرتب میکند به همین دلیل از آنها برای حل مسائلی مانند spam-filtering استفادهمیشود. الگوریتم باید برای تشخیص چنین احتمالاتی آموزش ببیند و سپس بتواند آنها را بهطور مؤثر دستهبندی کند.
تحلیل احساسات:
بر اساس آنچه احساسات کلمات در متن بیان میشود تئوری بیز میتواند احتمال مثبت یا منفی بودن آن را محاسبه کند.
طبقهبندی تصویر:
طبقهبندی تصویر برای اهداف شخصی و تحقیقاتی ساخت طبقهبند تئوری بیز آسان است، میتوان آن را آموزش داد تا از طریق یادگیری ماشین تحت نظارت ارقام دستنوشته را تشخیص دهد یا تصاویر را در دستهها قرار دهد.
پیشبینی در لحظه:
تئوری بیز یک طبقهبندی یادگیری مطمئن و سریع است. بنابراین میتوان از آن برای پیشبینی در زمان واقعی استفاده کرد.
پیشبینی چند کلاسه:
این الگوریتم به دلیل ویژگی پیشبینی چند کلاس نیز شناختهشده است. در اینجا میتوان احتمال چندین کلاس متغیر هدف را پیشبینی کرد.