Çevrimiçi Naive Bayes
Online (Incremental) Naive Bayes Classifier · Ayrıca şöyle bilinir: Incremental Naive Bayes, Streaming Naive Bayes, Naive Bayes with partial_fit, Online NB
Çevrimiçi Naive Bayes, klasik Naive Bayes sınıflandırıcısının, sınıf-koşullu istatistiklerini gözlem (veya mini-yığın) başına güncelleyen artımlı bir uyarlamasıdır; bu da onu veri akışları, bellekte tutulamayacak kadar büyük veri kümeleri ve yeni etiketli örnekler geldikçe modelin sürekli adapte olması gereken ortamlar için çok uygun hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler bir akış olarak geliyorsa veya bir kerede belleğe sığmayacak kadar büyükse, hızlı, düşük bellekli artımlı güncellemelere ihtiyaç duyulduğunda veya modelin yeni örneklere sürekli olarak uyum sağlaması gerektiğinde (örneğin, canlı yayınların metin sınıflandırması, spam filtreleme veya IoT işlem hatlarındaki olay sınıflandırması) Çevrimiçi Naive Bayes'i kullanın. Ayrıca, akış ortamlarında yüksek boyutlu seyrek metin verileri (kelime torbası, TF-IDF) için güçlü bir temel oluşturur. Koşullu bağımsızlık varsayımının ciddi şekilde ihlal edildiği ve toplu modda daha ifade edici bir model eğitmek için yeterli veri olduğu durumlarda, özelliklerin yüksek oranda ilişkili olduğu ve etkileşimleri yakalamanın kritik olduğu durumlarda veya sınıf dağılımlarının düzeltme olmaksızın aşırı dengesiz olduğu durumlarda kullanmayın.
Güçlü yönler & sınırlılıklar
- Özellik başına O(1) güncelleme maliyetiyle tek seferde bir örneği işler, bu da onu akış verileri için son derece hızlı ve bellek açısından verimli hale getirir.
- Doğal olarak olasılıksaldır: yalnızca kesin etiketler yerine kalibre edilmiş sınıf-sonsal olasılıkları üretir.
- Önemli bir hız cezası olmaksızın çok yüksek boyutlu özellik alanlarına (örneğin, metin) ölçeklenir.
- Tarihsel verileri saklamaya gerek yoktur; model tamamen yeterli istatistikleriyle tanımlanır.
- Uygulaması ve anlaşılması basittir; koşullu bağımsızlık varsayımı pratikte genellikle beklenenden daha iyi çalışır.
- Naif koşullu bağımsızlık varsayımı nadiren tam olarak karşılanır ve özellikler güçlü bir şekilde ilişkiliyken doğruluğu düşürebilir.
- Özellik etkileşimlerini öğrenemez; her özellik sonsal olasılığa bağımsız olarak katkıda bulunur.
- Kavram kayması, varsayılan model tüm tarihsel kanıtları biriktirdiği için açık unutma mekanizmaları (örneğin, kayan pencereler, bozunma faktörleri) gerektirir.
- Gauss Naive Bayes, sınıf başına tek modlu, kabaca Gauss özellik dağılımlarını varsayar, bu da geçerli olmayabilir.
SSS
Çevrimiçi Naive Bayes kavram kaymasını nasıl ele alır?
Varsayılan olarak tüm kanıtları biriktirir, bu nedenle kaymaya yavaş adapte olur. Daha hızlı tepki vermek için bir kayan pencere (yalnızca son örnekleri sayın), üstel unutma (eski gözlemleri daha az ağırlıklandırın) uygulayın veya kayma tespit edildiğinde yeterli istatistikleri sıfırlayın.
Hangi varyantı kullanmalıyım — Gauss, Multinomial veya Bernoulli?
Metin (sayım veya ikili özellik vektörleri) için Multinomial veya Bernoulli Naive Bayes, her sınıf içinde kabaca normal dağılmış sürekli özellikler için ise Gauss Naive Bayes kullanın. Çevrimiçi güncelleme mantığı biraz farklıdır, ancak tüm varyantlar artımlı güncellemeleri destekler.
Çevrimiçi Naive Bayes, daha karmaşık çevrimiçi modellerle rekabet edebilir mi?
Yüksek boyutlu seyrek metinlerde, genellikle çevrimiçi lojistik regresyon veya çevrimiçi SVM ile rekabetçidir ve daha düşük hesaplama maliyetine sahiptir. Yoğun, düşük boyutlu veya yüksek oranda ilişkili özellik kümelerinde, çevrimiçi lojistik regresyon veya gradyan artırma genellikle daha iyi performans gösterir.
Çevrimiçi bir sınıflandırıcıyı nasıl değerlendirmeliyim?
Önsel (önce test et, sonra eğit) değerlendirme kullanın: modeli güncellemeden önce her örneği tahmin edin, ardından güncelleyin. Bu, ayrı bir tutma kümesi olmadan akış performansının tarafsız bir tahminini verir.
Çevrimiçi Naive Bayes'i toplu modda eğitilmiş bir modelden başlatabilir miyim?
Evet. İyi başlangıç yeterli istatistikleri elde etmek için başlangıç veri kümesinde toplu bir Naive Bayes modeli eğitin, ardından artımlı güncellemelere geçin. Bu sıcak başlatma yaklaşımı, rastgele başlatılmış bir modelin soğuk başlatma yanlışlığından kaçınır.
Kaynaklar
- Domingos, P. & Hulten, G. (2000). Mining high-speed data streams. Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 71–80. ACM. DOI: 10.1145/347090.347107 ↗
- Online machine learning. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online (Incremental) Naive Bayes Classifier. ScholarGate. https://scholargate.app/tr/machine-learning/online-naive-bayes
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lojistik Regresyon (YZ)Makine öğrenmesi↔ karşılaştır
- Naive BayesMakine öğrenmesi↔ karşılaştır
- Çevrimiçi Karar AğacıMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Online Lojistik RegresyonMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Naive BayesMakine öğrenmesi↔ karşılaştır