سایت در حال بارگذاری است ...

از این پس ورود به وبسایت پایتونی ها فقط از طریق آدرس IP ایران امکان پذیر است ! لطفا برای هرگونه دسترسی به وبسایت پایتونی ها از فیلتر شکن استفاده نکنید !

021-71053903 [email protected] تهران‌ ٬ صادقیه ٬ پاساژ گلدیس

الگوریتمNaive Bayes

Naive Bayes یکی از ساده ترین اما پر قدرت ترین الگوریتم ها در یادگیری نظارت شده قرار دارد. الگوریتم ساده لوح برای طبقه بندی استفاده می شود. الگوریتم بر مبنای قضیه Bayes، با فرض استقلال بین پیش بینی ها است.

الگوریتم برای دسته بندی مخصوصا برای داده ها با حجم بالا مفید است. دو بخش برای این الگوریتم وجود دارد:

  • Naive
  • Bayes

الگوریتم Naive Bayes فکر می کند وجود یک ویژگی در یک کلاس با هیچ ویژگی دیگر در کلاس ربطی ندارد. حتی اگر این ویژگی ها کاملا به هم مرتبط باشند. همه خصوصیات به طور مستقل مورد بررسی قرار می گیرند به همین دلیل به این الگوریتم ساده لوح نیز می گویند.

مراحل انجام Naive Bayes:

  • جدا کلاس سازی داده ها طبق کلاس
  • خلاصه کردن دیتابیس
  • خلاصه داده ها توسط کلاس
  • عملکرد احتمال
  • احتمالات کلاس
محاسبات Naive Bayes:

در تئوری آمار و احتمال، قضیه Bayes احتمال وقوع یک رویداد را طبق دانش قبلی از شرایطی که ممکن است مربوط به رویداد باشد،توصیف می کند .این راهی برای فهمیدن شرایط احتمالی است.

P: احتمال

h: فرضیه

D: شواهد

کاربردها Naive Bayes :
  • Medical Diagnosis
  • Spam Filtering
  • Weather Prediction

مثال Naive Bayes:

مثلا هوا یکی از مهم ترین عوامل در زندگی روزمره ماست. تا حدی که ممکن است اقتصاد کشور را تحت تاثیر قرار دهد. پیش بینی هوا سالهاست که در بخش هواشناسی یک مسئله چالش برانگیز است. حتی با پیشرفت های تکنولوژی و علمی، دقت در پیش بینی هوا هنوز کافی نیست. از مدل مبتنی بر روش Bayes برای پیش بینی هوا استفاده می شود. در آن از احتمالات خلفی برای محاسبه احتمال برچب هر کلاس بر روی نمونه داده های ورودی استفاده می شود. به این صورت خروجی با حداکثر احتمال انتخاب می شود. Weather Prediction-Navie Bayes

مزایا Naive Bayes:
  • یکی از ساده ترین الگوریتم های یادگیری نظارت شده است.
  • الگوریتمNaive Bayes سریع، دقیق و قابل اعتما است.
  • برای داده های بزرگ از دقت و سرعت بالایی برخوردار است.
معایب Naive Bayes:
  • اگر دسته داده ای در داده های آموزش دیده نباشد احتمال آن صفر می شود. یعنی به اشتباه نتیجه پیش بینی صفر است.
  • مهم ترین فرضیه،مستقل بودن ویژگی هاست. اما در کاربرد زندگی واقعی این طور نیست.
  • کمبود داده می تواند باعث از بین رفتن دقت پیش بینی شود.

مطالعه بیشتر

maryam keshvari

31 مطلب منتشر شده

کارشناسی ارشد فناوری اطلاعات علاقمند به زبان برنامه نویسی python و هوش مصنوعی

درباره این مطلب نظر دهید !

مطالب زیرا حتما بخوانید ...

tensorflow-vs-keras

TensorFlow و Keras

5
دقیـقه مطالعه
ادامه ...

محصولات زیرا حتما ببینید ...

دوره آموزشی Socket

45,000 تومان
3

عضویت ویژه ۱ ماهه

99,000 تومان
2