भोले बे और बहुपद भोले बे के बीच अंतर

मैंने पहले Naive Bayes क्लासिफायर से निपटा है। मैं हाल ही में मल्टीनोमियल नाइव बेज़ के बारे में पढ़ रहा हूं ।

इसके अलावा पश्च संभावना = (पूर्व * संभावना) / (साक्ष्य) ।

केवल मुख्य अंतर (इन क्लासिफ़ायर प्रोग्रामिंग करते समय) मुझे Naive Bayes & Multinomial Naive Bayes के बीच मिला

बहुपद अनुभवहीन Bayes की गणना करता है संभावना होने के लिए एक शब्द / टोकन की गिनती (यादृच्छिक चर) और अनुभवहीन Bayes गणना संभावना का पालन कर:

यहां छवि विवरण दर्ज करें

यदि मैं गलत हूं तो मुझे सही करों!

— Garak
स्रोत

आपको निम्न pdf में बहुत सी जानकारी मिलेगी

— B_Miner

क्रिस्टोफर डी। मैनिंग, प्रभाकर राघवन और हेनरिक शुट्ज़े। " सूचना पुनर्प्राप्ति का परिचय। " 2009, पाठ वर्गीकरण और Naive Bayes पर अध्याय 13 भी अच्छा है।

— फ्रेंक डर्नोनकोर्ट

सामान्य शब्द Naive Bayes प्रत्येक विशेषता के विशेष वितरण के बजाय मॉडल में मजबूत स्वतंत्रता धारणाओं को संदर्भित करता है। नाइव बेयस मॉडल मानता है कि प्रत्येक सुविधाओं का उपयोग करता है जो सशर्त रूप से एक दूसरे को दिए गए कुछ वर्ग से स्वतंत्र हैं। अधिक औपचारिक रूप से, अगर मैं सुविधाओं का अवलोकन की संभावना गणना करना चाहते के माध्यम से , कुछ वर्ग ग दिया अनुभवहीन Bayes धारणा निम्नलिखित धारण के तहत: $f_1$ $f_n$

पी (च_{1}, । । ।, च_{n} | सी) = Π_{मैं = 1}^{n} पी (च_{मैं} | सी)

$p(f_1,..., f_n|c) = \prod_{i=1}^n p(f_i|c)$

इसका मतलब यह है कि जब मैं एक नई मिसाल को वर्गीकृत करने के लिए एक नाइव बेयस मॉडल का उपयोग करना चाहता हूं, तो इसके साथ काम करने की पूर्ववर्ती संभावना बहुत सरल है:

पी (सी | च_{1}, । । ।, च_{n}) α पी (सी) पी (च_{1} | सी) । । । पी (च_{n} | सी)

$p(c|f_1,...,f_n) \propto p(c)p(f_1|c)...p(f_n|c)$

बेशक स्वतंत्रता की ये धारणाएँ शायद ही कभी सच होती हैं, जो यह बता सकती हैं कि कुछ ने "इडियट बेयस" मॉडल के रूप में मॉडल का उल्लेख क्यों किया है, लेकिन व्यावहारिक रूप से Naive Bayes मॉडल ने आश्चर्यजनक रूप से अच्छा प्रदर्शन किया है, यहां तक कि जटिल कार्यों पर भी जहां यह स्पष्ट है कि मजबूत स्वतंत्रता की धारणाएं झूठी हैं।

इस बिंदु तक हमने प्रत्येक सुविधा के वितरण के बारे में कुछ नहीं कहा है। दूसरे शब्दों में, हमारे पास अपरिभाषित है। बहुराष्ट्रीय Naive Bayes शब्द से हमें आसानी से पता चलता है कि प्रत्येक कुछ अन्य वितरण के बजाय एक बहुराष्ट्रीय वितरण है। यह डेटा के लिए अच्छी तरह से काम करता है जिसे आसानी से गिनती में बदल दिया जा सकता है, जैसे कि शब्द पाठ में मायने रखता है। $p(f_i|c)$ $p(f_i|c)$

वितरण जो आप अपने Naive Bayes क्लासिफायरियर के साथ उपयोग कर रहे थे वह एक Guassian pdf है, इसलिए मुझे लगता है कि आप इसे Guassian Naive Bayes क्लासिफायरफायर कह सकते हैं।

सारांश में, Naive Bayes क्लासिफायरियर एक सामान्य शब्द है, जो मॉडल में प्रत्येक सुविधाओं की सशर्त स्वतंत्रता को संदर्भित करता है, जबकि मल्टीइनोमियल Naive Bayes क्लासिफायर, Naive Bayes क्लासिफायर का एक विशिष्ट उदाहरण है, जो प्रत्येक सुविधाओं के लिए बहुराष्ट्रीय वितरण का उपयोग करता है।

संदर्भ:

स्टुअर्ट जे। रसेल और पीटर नॉरविग। 2003. कृत्रिम बुद्धिमत्ता: एक आधुनिक दृष्टिकोण (2 संस्करण)। पियर्सन शिक्षा। पी देखें। 499 "इडियट बेयस" के साथ-साथ नैवे बेस मॉडल की सामान्य परिभाषा और इसकी स्वतंत्रता मान्यताओं के संदर्भ में

— jlund3
स्रोत

लिंक टूट गए हैं

— ssoler

@ jlund3, अच्छी व्याख्या के लिए धन्यवाद। हम अपने वर्गीकरण में वितरण की जानकारी को कैसे शामिल करते हैं? Αp (ग) पी (एफ 1 | ग) ... पी (एफ एन | ग) क्या यह एक Guassian वितरण बनाम बहुविध है के आधार पर बदलता | मैं कैसे करता fomula पी (एफ 1, ..., fn ग) मतलब

— डेविड

संक्षिप्त विवरण के लिए धन्यवाद, लेकिन मैं पुस्तक (स्टुअर्ट जे। रसेल और पीटर नॉरविग 2003 की सिफारिश करता हूं। आर्टिफिशियल इंटेलिजेंस: ए मॉडर्न अप्रोच (2 एड।)) एनबी और आर्टिफिशियल इंटेलिजेंस तकनीकों के बारे में अधिक जानकारी के लिए ऊपर भी उल्लेख किया गया है

— मीरानी

बहुराष्ट्रीय वितरण के मायने गैर-स्वतंत्र हैं। मेरा प्रश्न यहाँ देखें: datascience.stackexchange.com/questions/32016/…

— हनन शेटिंगार्ट

$P(x_i | c_j)$ $1 \leq i \leq n$ $1 \leq j \leq k$ $(i,j)$ $P(x_i|c_{j_1})$ $P(x_i | c_{j_2})$

बहुपद Naive Bayes सभी जोड़ियों के लिए बहुराष्ट्रीय वितरण को मानता है, जो कुछ मामलों में एक उचित धारणा है, अर्थात दस्तावेजों में शब्द की गणना के लिए।

— sjm.majewski
स्रोत