Pas encore de compte ?

Les classifieurs de type Naïve Bayes

Naive Bayes, couramment utilisé dans l'apprentissage automatique, est une collection d'algorithmes de classification basés sur le théorème de Bayes.

Ce n'est pas un algorithme unique, mais une famille d’algorithmes. Tous ces algorithmes partagent tous un principe commun, à savoir que chaque caractéristique classée est indépendante de la valeur de toute autre caractéristique.

La classification naïve bayésienne est un type de classification Bayésienne probabiliste simple basée sur le théorème de Bayes avec une forte indépendance dite naïve des hypothèses.

Elle met en oeuvre un classifieur bayésien naïf, ou classifieur naïf de Bayes, appartenant à la famille des classifieurs Linéaires.

P(A|B) – Est une probabilité a posteriori.

P(B|A) – Est la probabilité conditionnelle de B étant donné A.

P(A) – Est la probabilité antérieure de l'événement A.

P(B) – Quelle que soit l'hypothèse, c'est la probabilité que l'événement B se produise.

Types de Classificateur Bayes Naïve :

Multinomial - Il est utilisé pour les comptages discrets. Celui que nous avons décrit dans l'exemple ci-dessus est un exemple de Multinomial Type Naïve Bayes.

Gaussien - Ce type de classificateur Naïve Bayes suppose que les données suivent une distribution normale.

Bernoulli - Ce type de classificateur est utile lorsque nos vecteurs de caractéristiques sont binaires.

Naive Bayes est une technique de classification statistique basée sur le théorème de Bayes.

C'est l'un des algorithmes d'apprentissage supervisé les plus simples.

Le classificateur Naive Bayes est un algorithme rapide, précis et fiable.

Les classificateurs Naive Bayes ont une précision et une vitesse élevées sur de grands ensembles de données.

Le classificateur Naive Bayes suppose que l'effet d'une caractéristique particulière dans une classe est indépendant des autres caractéristiques.

Comment fonctionne le classificateur Naive Bayes ?

Le classificateur Naive Bayes calcule la probabilité d'un événement selon les étapes suivantes :

Étape 1 : Calculer la probabilité a priori pour des étiquettes de classe données

Étape 2 : Trouver la probabilité de probabilité avec chaque attribut pour chaque classe

Étape 3 : Mettre ces valeurs dans la formule de Bayes et calculez la probabilité postérieure.

Étape 4 : Regarder quelle classe a une probabilité plus élevée, étant donné que l'entrée appartient à la classe de probabilité la plus élevée.