Naive Bayes
Naive Bayes Classifier · Ayrıca şöyle bilinir: Naive Bayes Sınıflandırıcı, naive bayes classifier, simple Bayes, Gaussian Naive Bayes, Multinomial Naive Bayes
Naive Bayes, Bayes teoremini uygulayan hızlı bir olasılıksal sınıflandırıcıdır ve özelliklerin sınıfa göre koşullu olarak bağımsız olduğunu varsayar — bu yöntem, Tom Mitchell'in 1997 tarihli Makine Öğrenmesi ders kitabında standart makine öğrenmesi işlemiyle ele alınmıştır. Bu basitleştirici ('saf') varsayıma rağmen, eğitilmesi hızlıdır ve genellikle şaşırtıcı derecede doğrudur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+11 tane daha
Ne zaman kullanılır
Kategorik, ikili, sürekli veya metin özelliklerine sahip olduğunuzda ve en az yaklaşık 30 gözleminiz olduğunda, özellikle güçlü, ucuz bir temel çizgi olarak hızlı sınıflandırma için uygundur. Genel olarak dağılım hakkında varsayımları hafiftir ancak her değişken kendi olasılık varsayımını taşır (örneğin, Gauss değişkeni için sınıf içi normallik) ve sınıf dengesizliğine duyarlıdır. Özellikler güçlü bir şekilde ilişkiliyse veya kalibre edilmiş etki tahminleri gerekiyorsa, lojistik regresyonu tercih edin.
Güçlü yönler & sınırlılıklar
- Büyük veya yüksek boyutlu verilerde bile, metin gibi, eğitmek ve tahmin etmek için son derece hızlıdır.
- Basit, düşük maliyetli bir temel çizgi olarak iyi çalışır ve saf varsayımına rağmen genellikle şaşırtıcı derecede iyi performans gösterir.
- Farklı değişkenleri aracılığıyla kategorik, ikili, sürekli ve metin özelliklerini işler.
- Parametrelerini tahmin etmek için nispeten az eğitim verisi gerektirir.
- Koşullu bağımsızlık varsayımı nadiren geçerlidir, bu nedenle sıralama iyi olduğunda bile olasılık tahminleri kötü kalibre edilmiş olabilir.
- Sınıf dengesizliğine duyarlıdır: önsel olasılıklar ayarlanmalı veya veri yeniden örneklenmelidir.
- Gauss Naive Bayes, sınıf içi normallik varsayımı ihlal edildiğinde bozulur.
- Özellik başına olasılık tahminlerinin güvenilir olmadığı çok küçük örneklemlerde güvenilmezdir.
SSS
Neden 'saf' olarak adlandırılır?
Çünkü özelliklerin sınıfa göre koşullu olarak bağımsız olduğunu varsayar — yani, bir özelliği bilmenin bir sınıf içindeki diğer özellik hakkında hiçbir şey söylemediğini varsayar. Bu nadiren kelimenin tam anlamıyla doğrudur, ancak basitleştirme modeli tahmin etmeyi önemsiz ve çalıştırmayı hızlı hale getirir ve sınıflandırıcı genellikle sınıfları hala doğru bir şekilde sıralar.
Hangi değişkeni kullanmalıyım?
Gauss Naive Bayes, her sınıf içinde normal olarak dağıldığı varsayılan sürekli özellikler içindir. Çoklu Naive Bayes, metin sınıflandırmadaki gibi sayım veya terim sıklığı verileri için uygundur ve negatif değerleri kabul etmez. Değişkeni özellik türünüze göre eşleştirin.
Tahmin edilen olasılıklara güvenebilir miyim?
Tahmin edilen sınıfı bir sıralama olarak dikkatli kullanın. Bağımsızlık varsayımı genellikle ihlal edildiği için, ham olasılıklar 0 veya 1'e doğru itilme eğilimindedir ve seçilen sınıf doğru olsa bile genellikle kötü kalibre edilir.
Ne kadar veriye ihtiyacı var?
Veri konusunda ekonomiktir, ancak sınıf önsel olasılıklarını ve özellik başına olasılıkları güvenilir bir şekilde tahmin etmek için yeterli gözlem — en azından genel olarak yaklaşık 30 — hala gereklidir. Bunun altında, lojistik regresyon daha güvenli bir seçimdir.
Kaynaklar
- Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. ISBN: 978-0070428072
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Naive Bayes Classifier. ScholarGate. https://scholargate.app/tr/machine-learning/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
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır