LegközelebbKövetkező útmutató
Minimális Bayes kockázati dekódolás
Nyelvi AI
Alapok ÚTMUTATÓ
Naive Bayes is a probabilistic classifier based on Bayes’ theorem with a conditional-independence assumption for features given a class.
Hallgassa meg ezt az útmutatótAI-narrált · ~1 min
Its variants use different likelihood models for different feature types.
Naive Bayes applies Bayes’ theorem to estimate a class posterior from a prior and feature likelihoods. Its simplifying assumption treats features as conditionally independent given the class. Multinomial and Bernoulli variants use count or binary feature representations; Gaussian Naive Bayes estimates a mean and variance for each feature within each class. These models differ in their likelihood assumptions and should be selected to match the data representation.
Multinomial Naive Bayes models discrete counts such as word counts.
Bernoulli Naive Bayes models binary feature presence or absence.
Gaussian Naive Bayes models continuous features with class-conditional normal distributions.
A lightweight baseline can be compared with other classifiers on held-out task data.
Use Naive Bayes as a lightweight baseline when its assumptions and computational profile fit the problem. Compare it with alternatives on held-out data; performance depends on the dataset, features and metric.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Naive Bayes is a probabilistic classifier based on Bayes’ theorem with a conditional-independence assumption for features given a class. Its variants use different likelihood models for different feature types.
A modell feltételezi, hogy az egyes jellemzők egymástól függetlenül járulnak hozzá az adott osztály eredményéhez, és hagyja, hogy megszorozza a jellemzőnkénti valószínűségeket.
Bayes tételét használja az előző osztályvalószínűség és a jellemző valószínűségek utólagos valószínűséggé konvertálására minden osztály esetében.
Ha sok valószínűséget 1 alá szorozunk, az alulcsordulhat nullára, így a naplók felvétele és az összegzés stabilan tartja a matematikát.
Simítás nélkül egy osztályban soha nem látott szó nulla valószínűséget ad az osztálynak; az add-one számlálásával elkerülhető ez.
A multinomiális Naive Bayes olyan diszkrét számokat modellez, mint például, hogy az egyes szavak hányszor fordulnak elő, így szabványossá válik a szövegben.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Minimális Bayes kockázati dekódolás
Nyelvi AI