Pengklasifikasi Naive Bayes
Naive Bayes adalah pengklasifikasi probabilistik cepat yang dibangun berdasarkan teorema Bayes yang mengasumsikan setiap fitur bersifat independen berdasarkan kelasnya.
Ikhtisar
Despite that unrealistic assumption, it works remarkably well for text tasks like spam filtering.
Menyelam Lebih Dalam
Naive Bayes mengubah klasifikasi menjadi perhitungan probabilitas. Dengan menggunakan teorema Bayes, ia memperkirakan probabilitas suatu kelas berdasarkan fitur masukan, kemudian memilih kelas dengan skor tertinggi. Bagian yang 'naif' adalah asumsinya bahwa semua fitur independen secara kondisional berdasarkan kelasnya, sehingga dapat melipatgandakan probabilitas fitur individu alih-alih memodelkan interaksinya. Ini secara drastis mengurangi data dan komputasi yang dibutuhkan. Varian yang umum mencakup Multinomial Naive Bayes (jumlah kata dalam dokumen), Bernoulli Naive Bayes (kata ada/tidak ada), dan Gaussian Naive Bayes (fitur kontinu yang dimodelkan dengan distribusi normal). Ini melatih data dalam sekali jalan, memerlukan sedikit penyesuaian, dan menangani ribuan fitur dengan baik, yang menjadikannya dasar klasik untuk deteksi spam dan kategorisasi dokumen.
Wawasan Teknis
Untuk kelas c dan fitur x1..xn, ia menghitung P(c) dikalikan dengan hasil kali P(xi|c), lalu melakukan normalisasi. Karena mengalikan banyak probabilitas kecil menyebabkan kekurangan angka, implementasi menjumlahkan probabilitas log. Pemulusan Laplace (tambahkan satu) mencegah satu kata yang tidak terlihat memusatkan perhatian pada keseluruhan produk. Probabilitas P(xi|c) dan P(c) sebelumnya diperkirakan dengan penghitungan sederhana dari set pelatihan, itulah sebabnya pelatihan pada dasarnya hanyalah menghitung frekuensi.
Dampak Strategis
Clearer decisions
Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
Cost and budget
Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
Team and workflow
Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
Masa Depan Pengklasifikasi Naive Bayes
Jaringan neural dalam dan transformator kini mendominasi klasifikasi teks, sehingga Naive Bayes jarang menjadi yang berkinerja terbaik. Namun hal ini bertahan sebagai dasar yang kuat dan hampir instan, alat pengajaran yang dapat ditafsirkan, dan pilihan praktis ketika data langka, latensi harus kecil, atau komputasi terbatas. Harapkan hal ini tetap tertanam dalam filter ringan pada perangkat, pipeline pembuatan prototipe cepat, dan sistem hibrid di mana pengklasifikasi first-pass yang murah merutekan masukan sebelum model yang lebih berat dipanggil.
Implementasi Dunia Nyata
Pemfilteran spam email yang menilai pesan berdasarkan kata-kata yang dikandungnya
Analisis sentimen menandai ulasan produk sebagai positif atau negatif
Merutekan tiket dukungan atau artikel berita ke dalam kategori topik
Deteksi bahasa dan klasifikasi dokumen sederhana dalam saluran pencarian
Risiko & Pagar Pembatas
Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.
Peta Jalan Implementasi
Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
Dokumentasikan di mana Pengklasifikasi Naive Bayes membantu dan di mana metode yang lebih sederhana lebih baik.
Terus Menjelajah
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
Next guide
Penguraian Risiko Minimum Bayes
Pertanyaan yang sering diajukan
What is Naive Bayes Classifiers?
Naive Bayes adalah pengklasifikasi probabilistik cepat yang dibangun berdasarkan teorema Bayes yang mengasumsikan setiap fitur bersifat independen berdasarkan kelasnya. Meskipun asumsinya tidak realistis, ini bekerja dengan sangat baik untuk tugas-tugas teks seperti pemfilteran spam.
Apa asumsi inti 'naif' dalam pengklasifikasi Naive Bayes?
Model ini mengasumsikan setiap fitur berkontribusi secara independen terhadap hasil yang diberikan pada kelas tersebut, sehingga memungkinkannya melipatgandakan probabilitas per fitur.
Teorema manakah yang dibangun oleh Naive Bayes?
Ia menggunakan teorema Bayes untuk mengubah probabilitas kelas sebelumnya dan kemungkinan fitur menjadi probabilitas posterior untuk setiap kelas.
Mengapa implementasi biasanya menjumlahkan probabilitas log alih-alih mengalikan probabilitas mentah?
Mengalikan banyak probabilitas di bawah 1 bisa menjadi nol, jadi mencatat dan menjumlahkan akan menjaga matematika tetap stabil.
Masalah apa yang dipecahkan oleh pemulusan Laplace (add-one)?
Tanpa pemulusan, sebuah kata yang tidak pernah terlihat pada suatu kelas memberikan probabilitas nol pada kelas tersebut; tambahkan satu penting hindari ini.
Varian Naive Bayes manakah yang paling alami untuk fitur jumlah kata dalam dokumen?
Multinomial Naive Bayes memodelkan penghitungan terpisah seperti berapa kali setiap kata muncul, menjadikannya standar untuk teks.