Bayesian Naive Bayes
Fully Bayesian Naive Bayes Classifier · Ayrıca şöyle bilinir: Bayesian NB, Naive Bayes with Bayesian parameter estimation, Dirichlet-Multinomial Naive Bayes, BNB
Bayesian Naive Bayes, klasik Naive Bayes sınıflandırıcısının parametrelerine tam bir Bayesçi yaklaşım uygular: sınıf-koşullu dağılımları en yüksek olabilirlik ile tahmin etmek yerine, parametreler üzerine eşlenik önsel (tipik olarak kategorik veriler için Dirichlet veya sürekli veriler için Gauss-Gamma) yerleştirir ve bunları entegre ederek belirsizliği doğal olarak ölçen ve küçük veri kümelerinde aşırı uyumu önleyen öngörüsel sonsal dağılımlar üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketlenmiş verilerin sınırlı olduğu, sınıf atamalarının yanı sıra iyi kalibre edilmiş olasılık tahminlerinin önemli olduğu veya önsel bilgiyi (alan uzmanlığından gelen sınıf önsel'leri gibi) kodlamak için prensipli bir yola ihtiyaç duyulduğunda Bayesian Naive Bayes'i kullanın. Özellikle metin sınıflandırma, spam filtreleme ve tıbbi tarama gibi eğitim kümelerinin küçük veya sınıf dengesiz olabileceği durumlarda değerlidir. Özelliklerin koşullu bağımsızlık varsayımıyla yakalanamayan güçlü bağımlılıkları olduğu durumlarda, veri kümesinin önsel düzenlileştirmenin önemsiz hale geleceği kadar büyük olduğu durumlarda veya yorumlanabilirliğin bir kısıtlama olmadığı derin bir sinir ağı veya gradyan artırılmış modelin mevcut olduğu durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Küçük veri kümelerinde parametre belirsizliğini dürüstçe yansıtan iyi kalibre edilmiş öngörüsel olasılıklar.
- Eşlenik önsel'ler aracılığıyla kapalı formda sonsal güncelleme — MCMC yok, ölçekte bile hızlı uyum sağlama.
- Doğal düzenlileştirme: Dirichlet önsel'i, ad hoc Laplace düzeltmesi olmadan sıfır frekans (sıfır olasılık) tahminlerinden kaçınır.
- Alan önsel bilgisini önsel hiperparametrelerin seçimi yoluyla içerir.
- Yüksek derecede yorumlanabilir: sınıf başına özellik dağılımları ve belirsizlikleri doğrudan sonsal'dan okunabilir.
- Verimli eğitim ve çıkarım; yüksek boyutlu seyrek özellik alanlarına (örneğin, metin kelime torbaları) ölçeklenir.
- Koşullu bağımsızlık varsayımı gerçek verilerde nadiren tam olarak geçerlidir; ilişkili özellikler kalibrasyonu bozar.
- Büyük veri kümelerinde önsel önemsiz hale gelir ve Bayesian Naive Bayes standart Naive Bayes'e çöker.
- Gauss özelliği varsayımı, çarpık veya çok modlu sürekli özellikler için uygun olmayabilir.
- Bilgilendirici önsel hiperparametreleri seçmek alan bilgisi veya alpha ızgarası üzerinde çapraz doğrulama gerektirir.
SSS
Bayesian Naive Bayes, Laplace düzeltmeli standart Naive Bayes ile aynı mıdır?
Yakından ilişkilidirler ancak aynı değillerdir. Laplace düzeltmesi, her özellik sayımına sabit bir 1 sözde-sayımı ekler — bu, Bayesçi çerçevede tekdüze bir Dirichlet önsel'ine (alpha=1) karşılık gelir. Bayesian Naive Bayes, herhangi bir alpha'ya izin vererek ve tek bir düzeltilmiş nokta tahmini yerine parametreler üzerinde tam bir sonsal dağılım üreterek bunu genelleştirir.
Bayesçi tedavi en büyük pratik farkı ne zaman yaratır?
Fark, etiketlenmiş eğitim verilerinin az olduğu (onlarca ila yüzlerce örnek) durumlarda en belirgindir. Büyük eğitim kümelerinde, olasılık önsel'i domine eder ve tahminler standart en yüksek olabilirlik Naive Bayes'inkilere yakınsar.
Önsel hiperparametre alpha'yı nasıl seçerim?
Yaygın bir varsayılan değer alpha=1'dir (tekdüze Dirichlet), bu Laplace düzeltmesine eşdeğerdir. A priori olarak bazı özellik değerlerinin veya sınıfların daha olası olduğunu düşündüren alan bilginiz varsa, alpha'yı buna göre ayarlayın. Bir alpha değerleri ızgarası üzerinde çapraz doğrulama, prensipli bir veri odaklı alternatiftir.
Bu yöntemi sürekli özellikler için kullanabilir miyim?
Evet, Gauss sınıf-koşullu parametreleri (ortalama ve varyans) üzerinde bir Normal-Gamma önsel'i kullanarak. Ancak, Gauss varsayımının verilerinize uyup uymadığını doğrulayın — güçlü bir şekilde çarpık veya çok modlu özellikler farklı bir özellik dağılımı veya dönüşüm gerektirebilir.
Bayesian Naive Bayes, bireysel tahminler için belirsizlik tahminleri sağlar mı?
Evet. Her sınıf için sonsal öngörüsel olasılık doğrudan belirsizliği ölçer. 0.5'e yakın bir tahmin (ikili durum), modelin belirsiz olduğunu gösterir, bu da çekimser kalmaya veya bir insan uzmana yönlendirmeye neden olabilir.
Kaynaklar
- Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective (Ch. 3, 4). MIT Press. ISBN: 978-0-262-01802-9
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 8). Springer. ISBN: 978-0-387-31073-2
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fully Bayesian Naive Bayes Classifier. ScholarGate. https://scholargate.app/tr/machine-learning/bayesian-naive-bayes
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Lojistik RegresyonBayesçi↔ karşılaştır
- Gauss SüreciMakine öğrenmesi↔ karşılaştır
- Lojistik Regresyon (YZ)Makine öğrenmesi↔ karşılaştır
- Yarı denetimli Naive BayesMakine öğrenmesi↔ karşılaştır