مصنفات ساذجة بايز
Naive Bayes هو مصنف احتمالي سريع مبني على نظرية بايز التي تفترض أن كل ميزة مستقلة عن الفئة.
نظرة عامة
Despite that unrealistic assumption, it works remarkably well for text tasks like spam filtering.
الغوص العميق
يقوم Naive Bayes بتحويل التصنيف إلى حساب احتمالي. وباستخدام نظرية بايز، يتم تقدير احتمالية فئة ما في ضوء ميزات الإدخال، ثم تختار الفئة الحاصلة على أعلى الدرجات. الجزء "الساذج" هو افتراضه بأن جميع الميزات مستقلة بشكل مشروط بالنظر إلى الفئة، لذلك يمكنه مضاعفة احتمالات الميزات الفردية بدلاً من نمذجة تفاعلاتها. وهذا يقلل بشكل كبير من البيانات والحسابات اللازمة. تتضمن المتغيرات الشائعة Multinomial Naive Bayes (عدد الكلمات في المستندات)، وBernoulli Naive Bayes (كلمة حاضرة/غائبة)، وGaussian Naive Bayes (السمات المستمرة المصممة بالتوزيع الطبيعي). فهو يتدرب في تمريرة واحدة عبر البيانات، ويحتاج إلى القليل من الضبط، ويتعامل مع آلاف الميزات بأمان، مما جعله خط أساس كلاسيكي لاكتشاف البريد العشوائي وتصنيف المستندات.
البصيرة الفنية
بالنسبة للفئة c والميزات x1..xn، فإنها تحسب P(c) مضروبة في حاصل ضرب P(xi|c)، ثم تتم تسويتها. نظرًا لأن مضاعفة العديد من الاحتمالات الصغيرة يؤدي إلى حدوث تدفق رقمي، فإن عمليات التنفيذ تجمع احتمالات السجل بدلاً من ذلك. يمنع تجانس لابلاس (إضافة واحد) كلمة واحدة غير مرئية من تصفية المنتج بأكمله. يتم تقدير الاحتمالات P(xi|c) والاحتمالات السابقة P(c) عن طريق العد البسيط من مجموعة التدريب، وهذا هو السبب في أن التدريب هو في الأساس مجرد حساب الترددات.
التأثير الاستراتيجي
قرارات أوضح
يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
التكلفة والميزانية
يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
الفريق وسير العمل
تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
مستقبل مصنفات ساذجة بايز
تهيمن الشبكات العصبية العميقة والمحولات الآن على تصنيف النص، لذلك نادرًا ما يكون Naive Bayes هو الأفضل أداءً. ولكنها تظل بمثابة خط أساس قوي وشبه فوري، وأداة تعليمية قابلة للتفسير، وخيار عملي عندما تكون البيانات نادرة، أو يجب أن يكون زمن الاستجابة صغيرًا، أو أن يكون الحساب محدودًا. توقع أن يظل مدمجًا في المرشحات خفيفة الوزن الموجودة على الجهاز، وخطوط أنابيب النماذج الأولية السريعة، والأنظمة الهجينة حيث يقوم مصنف المرور الأول الرخيص بتوجيه المدخلات قبل استدعاء نموذج أثقل.
التنفيذ في العالم الحقيقي
تصفية البريد الإلكتروني العشوائي الذي يسجل الرسائل حسب الكلمات التي تحتوي عليها
تحليل المشاعر لوضع علامات على مراجعات المنتج على أنها إيجابية أو سلبية
توجيه تذاكر الدعم أو المقالات الإخبارية إلى فئات المواضيع
اكتشاف اللغة وتصنيف المستندات البسيط في مسارات البحث
المخاطر والدرابزين
قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
خارطة طريق التنفيذ
ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
قم بالتوثيق حيث تساعد مصنفات Naive Bayes وأين تكون الطرق الأبسط أفضل.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Naive Bayes Classifiers quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
الحد الأدنى لفك تشفير مخاطر بايز
الأسئلة المتداولة
What is Naive Bayes Classifiers?
Naive Bayes هو مصنف احتمالي سريع مبني على نظرية بايز التي تفترض أن كل ميزة مستقلة عن الفئة. وعلى الرغم من هذا الافتراض غير الواقعي، فإنه يعمل بشكل جيد للغاية مع المهام النصية مثل تصفية البريد العشوائي.
ما هو الافتراض الأساسي "الساذج" في مصنف Naive Bayes؟
يفترض النموذج أن كل ميزة تساهم بشكل مستقل في النتيجة المعطاة للفئة، مما يسمح لها بمضاعفة احتمالات كل ميزة.
ما هي النظرية التي بني عليها Naive Bayes؟
ويستخدم نظرية بايز لتحويل احتمالات الفئة السابقة واحتمالات الميزة إلى احتمال خلفي لكل فئة.
لماذا تقوم التطبيقات عادةً بجمع احتمالات السجل بدلاً من مضاعفة الاحتمالات الأولية؟
يمكن أن يؤدي ضرب العديد من الاحتمالات تحت 1 إلى الصفر، لذا فإن أخذ السجلات والجمع يحافظ على استقرار الرياضيات.
ما هي المشكلة التي يحلها تجانس لابلاس (الإضافة)؟
بدون تجانس، كلمة لم يسبق لها مثيل مع فئة تعطي تلك الفئة احتمالية صفر؛ تتجنب أعداد الإضافة هذا.
ما هو متغير Naive Bayes الأكثر طبيعية لميزات عدد الكلمات في المستندات؟
يقوم نموذج Naive Bayes متعدد الحدود بإعداد أعداد منفصلة مثل عدد مرات ظهور كل كلمة، مما يجعلها قياسية للنص.