Što je Bayesova teorema?
Bayesova teorema je recept koji opisuje kako osvježiti vjerojatnosti teorija kad se daju dokazi. U osnovi potiče od maksimuma uvjetne vjerojatnosti, međutim, može se koristiti za opravdanje širokog opsega pitanja, uključujući osvježenje osvježenja.
S obzirom na teoriju H i dokaz E, Bayesov teorem izražava da je veza između vjerojatnosti nagađanja prije dobivanja dokaza P (H) i vjerojatnosti teorije nakon dobivanja dokaza P (H∣E)
To je lijep pojam vjerojatnosti gdje nalazimo vjerojatnost kada znamo drugu vjerojatnost
Što nam govori: koliko se redovito događa A s obzirom da se B pojavljuje, sastavljen od P (A | B),
Kad znamo: kako se redovito događa B s obzirom na to da se događa An, sastavljen od P (B | A)
Nadalje, koliko je vjerojatno da je An bez ikoga drugog, sastavljen P (A)
štoviše, kolika je vjerojatnost da je B bez ikoga drugog, sastavljen P (B)
Primjer Bayesove teoreme
Danas dogovarate izlet, međutim, jutro je oblačno, Bog nam pomaže! polovica svakog pojedinog olujnog dana započinje sjenom! U svakom slučaju sjenovita jutra su normalna (oko 40% dana započinje oblačno) Nadalje, ovo je uglavnom sušni mjesec (samo 3 od 30 dana općenito će biti olujno ili 10%). Kolika je vjerojatnost pljuskova tijekom dana? Kišu ćemo koristiti za pljuskove tijekom dana, a Oblačno za oblačno jutro. Mogućnost kiše koja se daje Cloudu sastoji se od P (Rain | Cloud)
Dakle, trebali bismo to smjestiti u jednadžbu:
- P (kiša) vjerojatnost da će biti kiša = 10% (dano)
- P (oblak | kiša) vjerojatnost da su Oblaci, postoje li i da će se kiša dogoditi = 50%
- P (oblak) je vjerojatnost da su oblaci tamo = 40%
Dakle, možemo reći da je u c:
To je Bayesova teorema: da možete iskoristiti vjerojatnost jedne stvari da predvidite vjerojatnost nečeg drugog. Ipak, Bayesova teorema je sve samo ne statična stvar. To je stroj koji želite poboljšati i bolje prognozirati kao nove dokazne površine. Intrigantna aktivnost je usmjeriti faktore prepuštanjem karakterističnih teorijskih svojstava P (B) ili P (A) i razmotriti njihov koherentni učinak na P (A | B). Na primjer, ako povećate nazivnik P (B) s desne strane, tada P (A | B) pada. Čvrsti model: curi nos je pokazatelj ospica, a nosni nos su nesumnjivo tipičniji od kožnih osipa s malim bijelim mrljama. To jest, u slučaju da odaberete P (B) gdje je B iscjedak iz nosa, u tom trenutku ponavljanje nosnica u cjelokupnoj javnosti smanjuje mogućnost da je curenje iz nosa pokazatelj ospica. Vjerojatnost pronalaska ospica smanjuje se s obzirom na nuspojave koje postaju progresivno normalne; te manifestacije nisu čvrsti pokazatelji. Slično tome, kako ospice postaju sve normalnije i P (A) se povećava u brojniku s desne strane, P (A | B) uglavnom ide gore, s razlogom da je ospica obično obično veća vjerojatnost da se malo pažnje posveti nuspojavama smatrate.
Primjena Bayesove teoreme u strojnom učenju
Naivni Bayesov klasifikator
Naive Bayes je izračun karakterizacije za dvostruka (dvorazredna) i višeslojna pitanja grupiranja. Sustav je najmanje zahtjevan za razumijevanje kada se prikazuje upotrebom dvostrukih ili izravnih info svojstava.
Nazivaju ga naivni Bayes ili imbecilni Bayes u svjetlu činjenice da je promišljanje vjerojatnosti za svaku teoriju pojednostavljeno kako bi se njihov broj mogao pratiti. Za razliku od nastojanja da se utvrde procjene svakog pojedinog obilježja P (d1, d2, d3 | h), smatra se da su restriktivno slobodni s obzirom na vrijednost vrijednosti i određeni su kao P (d1 | h) * P (d2 | H, itd
Ovo je čvrsta pretpostavka koja je najizglednija u istinitim informacijama, na primjer, da svojstva ne komuniciraju. Inače, metodologija šokantno djeluje na podatke u kojima ta pretpostavka ne postoji.
Portrajal koji koriste Naive Bayes modeli
Prikazivanje naivnog Bayesovog algoritma vjerojatnost je.
Skup s vjerojatnostima se stavlja pod peticiju za naivno naivni Bayesov model. To uključuje:
Vjerojatnost klase: vjerojatnost za sve u skupu podataka za pripremu.
Uvjetna vjerojatnost: Uvjetna vjerojatnost za informacije o svim primjercima vrijedne svakog uvažavanja klase.
Uzmite iz podataka naivni Bayesov model. Brzo preuzimanje naivnog Bayesovog modela iz informacija o pripremi brzo je. Priprema je brza s obzirom na činjenicu da treba odrediti osamljene vrijednosti vjerojatnosti za svaku instancu klase i vrijednost vjerojatnosti za svaku instancu klase kojima se daju razlikovne informacije (x) vrijednosti. Sustavi poboljšanja ne smiju odgovarati nikakvim koeficijentima.
Izračunavanje vjerojatnosti klase
Vjerojatnost klase u osnovi je ponavljanje slučajeva koji imaju mjesto sa svakom razredom izolirano od ukupnog broja slučajeva.
Na primjer, u paralelnoj klasi vjerojatnost slučaja koji ima mjesto s klasom 1 određuje se kao:
Vjerojatnost (klasa = 1) = ukupno (klasa = 1) / (ukupno (klasa = 0) + ukupno (klasa = 1))
U najneposrednijem slučaju, svaki razred koji ima vjerojatnost 0, 5 ili pola za dvostruko izdanje s klasifikacijom sa sličnim brojem pojava u svim instancama klase.
Izračunavanje uvjetne vjerojatnosti
Uvjetna vjerojatnost je ponavljanje svakog uvažavanja osobina za datu klasu koje vrijedi podijeliti ponavljanjem primjera s tim poštovanjem klase.
Sve primjene Bayesove teoreme
U stvarnosti se puno koristi Bayesova teorema. Pokušajte ne naglašavati krajnju šansu da ne vidite odmah sve aritmetike. Jednostavno za početak je osjećaj kako funkcionira.
Bayesova teorija odluka mjerljiv je način rješavanja pitanja primjerice klasifikacije. Pod ovom pretpostavkom očekuje se da je osnovni prijenos vjerojatnosti za klase poznat. Na ovaj način stječemo savršen Bayesov klasifikator protiv kojeg svaki drugi klasifikator donosi odluku za izvršenje.
Govorit ćemo o tri temeljne uporabe Bayesove teoreme:
- Naivni Bayesov klasifikator
- Diskriminatorne funkcije i površine odlučivanja
- Bajesova procjena parametara
Zaključak
Veličanstvenost i intenzitet Bayesove teoreme nikada me ne prestaju zadiviti. Osnovna ideja koju je dao svećenik koji je prenio više od 250 godina unazad koristi se u apsolutno najnepogrešivijim AI postupcima danas.
Preporučeni članci
Ovo je vodič za Bayesovu teoremu. Ovdje ćemo raspravljati o upotrebi Bayesove teoreme u strojnom učenju i portreti koji koriste primjeri naivnih Bayesovih modela. Možete također pogledati sljedeće članke da biste saznali više -
- Naivni Bayesov algoritam
- Vrste algoritama strojnog učenja
- Modeli strojnog učenja
- Metode strojnog učenja