HyperAI超神经

ナイーブ・ベイズ確率理論に基づいた分類アルゴリズムであり、ベイズ公式に従って各カテゴリの確率を予測して分類できます。解決策は、カテゴリ内の各特徴の発生確率に基づいて、分類対象の項目をすべての特徴の発生確率が最も高いカテゴリに分類することです。

Naive Bayes を使用するための前提条件は、分類される特徴が同等に重要であり、互いに相関関係がないことです。

アドバンテージ：

欠点:

ナイーブベイズは通常、ベルヌーイモデルに基づく方法と多項式モデルに基づく方法の 2 つの方法で実装されます。

Naive Bayes の主な用途は次のとおりです。

Naive Bayes 法で行う必要があるのは、y が x に属するカテゴリを計算することです。そのプロセスは次のとおりです。

${x\text{ }=\text{ }{ \left\{ {a\mathop{{}}\nolimits_{{1}},\text{ }a\mathop{{}}\nolimits_{{2 }},\text{ }…,\text{ }a\mathop{{}}\nolimits_{{m}}} \right\} }}$ は分類対象の項目であり、各 $\text{[math]}$ は $\text{[math]}$ の固有の属性です。
分類されるカテゴリはセット ${C\text{ }=\text{ }{ \left\{ {y\mathop{{}}\nolimits_{{1}},\text{ }y\mathop{{ }}\nolimits_{{2}},\text{ }…,\text{ }y\mathop{{}}\nolimits_{{n}}} \right\} }}$ ;
$\text{[math]}$ が ${y\mathop{{}}\nolimits_{{k}}}$ に属する確率を計算します: ${P{ \left( {y\mathop{{}}\nolimits_{{1 }} \left| } \right) },\text{ }P{ \left( {y\mathop{{}}\nolimits_{{2}} \left| x\right. } \right) },\text{ }…,\text{ }P{ \left( {y\mathop{{} }\nolimits_{{n}} \left| x\right) }}$ ;
$latex の場合 {P{ \left( {y\mathop{{}}\nolimits_{{k}} \left| x\right. } \right) }\text{ }=\text{ }max{ \left\{ {P{ \left( {y\mathop{{}}\nolimits_{{1}} \left| x\right. } \right) },\text{ }P{ \left( {y\mathop{{}}\nolimits_{{2}} \left| x\right. } \right) },\text{ }…,\text{ }P{ \left( {y\mathop{{} }\nolimits_{{n}} \left| x\right. } \right) }} \right\} }}$、次に $\text{[math]}$ ${y\mathop{{}}\nolimits_{{k}}}$ に分類されます。