Açıklanabilir Naive Bayes
Explainable Naive Bayes Classifier · Ayrıca şöyle bilinir: XNB, interpretable Naive Bayes, transparent Naive Bayes, explainable probabilistic classifier
Açıklanabilir Naive Bayes, klasik olasılıksal Naive Bayes sınıflandırıcısını, tahminlerinin şeffaf, insan tarafından okunabilir açıklamalarıyla genişletir. Sınıf önceliklerini, özellik başına olasılıkları ve log-olasılık katkılarını ortaya çıkararak, Naive Bayes'i güvenilir bir temel oluşturan basitliği ve hızı feda etmeden tıp, hukuk ve eğitim gibi yüksek riskli alanlarda talep edilen yorumlanabilirliği sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hızlı, denetlenebilir bir sınıflandırıcıya ihtiyaç duyduğunuzda, örneğin klinik karar destek sistemlerinde, içerik denetiminde veya eğitim değerlendirmesinde, bireysel tahminlerinin teknik olmayan paydaşlara gerekçelendirilmesi gerektiğinde Açıklanabilir Naive Bayes'i seçin. Metin sınıflandırmada ve diğer yüksek boyutlu kategorik verilerde mükemmeldir. Özelliklerin güçlü bir şekilde ilişkili olduğu durumlarda (bağımsızlık varsayımı doğruluğu zayıflatır), verilerinizin tamamen sürekli olduğu ve Gauss uydurmasının zayıf olduğu durumlarda veya karmaşık doğrusal olmayan görevlerde ham tahmin performansının öncelikli olduğu ve yorumlanabilirliğin ikincil olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Özellik başına içsel atama, sonradan açıklanabilirlik aracı gerektirmez; açıklama kesindir, bir yaklaşıklık değildir.
- Metin gibi yüksek boyutlu verilerde bile son derece hızlı eğitilir ve tahmin yapar.
- Sadece marjinal, ortak değil, özellik dağılımlarını tahmin ettiği için küçük eğitim kümeleriyle iyi çalışır.
- Doğal olarak sınıf etiketlerinin yanı sıra kalibre edilmiş olasılıklar üretir, bu da belirsizliğe duyarlı kararlar alınmasını sağlar.
- Şeffaf olasılık tabloları alan uzmanları tarafından doğrudan okunabilir, bu da model denetimini destekler.
- Eksik değerlere karşı dayanıklıdır: eksik özellikler basitçe hiçbir kanıt sunmaz ve çarpımda atlanır.
- Koşullu-bağımsızlık varsayımı nadiren doğrudur; ilişkili özellikler sonralıkları bozabilir ve doğruluğu düşürebilir.
- Sürekli özellikler, eğimli veya çok modlu verileri yanlış temsil edebilecek bir dağılım varsayımı (örneğin, Gauss) gerektirir.
- Olasılık tahminleri, yumuşatma (örneğin, Laplace düzeltmesi) olmadan küçük veri kümelerinde kötü kalibre edilmiş olabilir.
- Özellik önem sıralaması tek bir tahmin içinde anlamlıdır ancak örnekler arasında değişebilir, bu da küresel özetleri daha az kararlı hale getirir.
- Karmaşık doğrusal olmayan tablo verilerinde, Rastgele Orman veya gradyan artırma gibi topluluklar genellikle daha iyi performans gösterir.
SSS
Naive Bayes zaten açıklanabilir mi, yoksa ek adımlar gerekiyor mu?
Naive Bayes doğası gereği yorumlanabilirdir: olasılık tabloları modeldir. Açıklanabilir Naive Bayes çerçevesi, sadece son sınıf etiketini bildirmek yerine, her tahmin için özellik başına log-olasılık katkılarını açıkça çıkarmak ve sunmak anlamına gelir.
Açıklanabilir Naive Bayes, kara kutu bir modele uygulanan LIME veya SHAP ile nasıl karşılaştırılır?
LIME ve SHAP, karmaşık bir modelin davranışının sonradan yapılan yaklaşıklıklarını üretir ve yaklaşıklık hatası taşır. Açıklanabilir Naive Bayes atıfları kesindir ve model yerlisidir, bu nedenle gerçek karara daha sadıktırlar. Karşılığında, Naive Bayes karmaşık görevlerde daha az doğru olabilir.
Hangi yumuşatmayı kullanmalıyım?
Laplace (toplamsal) yumuşatma, alfa=1 parametresiyle kategorik ve metin özellikleri için standart başlangıç noktasıdır. Çok küçük derlemeler için, alfa'yı çapraz doğrulama yoluyla bir hiperparametre olarak ayarlamak hem doğruluğu hem de olasılık kalibrasyonunu iyileştirebilir.
Koşullu-bağımsızlık varsayımı pratikte çok önemli mi?
Domingos ve Pazzani (1997), Naive Bayes'in bağımsızlık varsayımı ihlal edildiğinde bile doğru sınıflandırma yapabileceğini gösterdi, çünkü sınıf sonralıklarının sıralaması genellikle korunur. Ancak, olasılık değerlerinin kendileri kötü kalibre edilmiş olabilir, bu nedenle çıktı olasılıklarına güveniyorsanız kalibrasyon uygulayın.
Ne zaman Multinomial, Bernoulli veya Gauss varyantını seçmeliyim?
Kelime sayısı veya terim frekansı özellikleri için Multinomial Naive Bayes, ikili kelime varlığı özellikleri için Bernoulli Naive Bayes ve her sınıfta yaklaşık olarak normal dağılımlı sürekli özellikler için Gauss Naive Bayes kullanın.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable Naive Bayes Classifier. ScholarGate. https://scholargate.app/tr/machine-learning/explainable-naive-bayes
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Naive BayesMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır