Sağlam Naive Bayes
Robust Naive Bayes Classifier · Ayrıca şöyle bilinir: Naive Credal Classifier, NCC, Robust Bayesian Naive Classifier, Imprecise Naive Bayes
Sağlam Naive Bayes, sınıf-koşullu olasılık tahminlerindeki belirsizliği veya gürültüyü, nokta olasılık tahminlerini aralıklar veya dağılım kümeleriyle değiştirerek ele almak üzere standart Naive Bayes sınıflandırıcısını genişletir. Zaffalon (2002) tarafından önerilen kanonik formülasyon olan Naive Credal Classifier (Saf İnanılır Sınıflandırıcı), yalnızca kümedeki tüm dağılımlar anlaştığında tahminler yapacak şekilde belirsiz olasılık kümeleri kullanır ve kanıt yetersiz olduğunda bir etiket vermekten kaçınır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sınıf-koşullu olasılık tahminlerinin küçük örneklemler, eksik veriler veya etiket gürültüsü nedeniyle güvenilmez olduğu ve yanlış bir tahminin maliyetinin çekinme maliyetinden daha ağır bastığı durumlarda Sağlam Naive Bayes kullanın. Metin sınıflandırma, tıbbi teşhis ve arıza tespit görevleri için uygundur; burada kapsama alanını en üst düzeye çıkarmak yerine açık belirsizlikle temkinli sınıflandırma tercih edilir. Naive Bayes'in koşullu özellik bağımsızlığı varsayımını miras alır, bu nedenle özellikler güçlü bir şekilde ilişkiliyse kaçının. Tam kapsama alanının gerekli olduğu büyük, temiz veri kümeleri için standart Naive Bayes veya ayrımcı sınıflandırıcılar daha pratiktir.
Güçlü yönler & sınırlılıklar
- Potansiyel olarak yanlış bir etiketi zorlamak yerine belirsiz örnekler için açık çekinme sağlar.
- Belirgin tahminlerde doğruluk, özellikle etiket gürültüsü altında, standart Naive Bayes'ten tipik olarak daha yüksektir.
- Hesaplama açısından verimli: inanılır küme uzantısı, standart Naive Bayes eğitimine kıyasla çok az ek yük getirir.
- Sağlamlık hiperparametresi s, kapsama alanı ve güvenilirlik arasındaki ödünleşmeyi kontrol etmek için ilkeli bir yol sunar.
- Standart olasılık tahminlerinin kararsız olduğu düşük örneklem rejimleri için iyi uygundur.
- Belirsiz örneklerde çekinme kapsama alanını azaltır; yüksek verimli ortamlarda bu kabul edilemez olabilir.
- Hala özellikler arasındaki koşullu bağımsızlığı varsayar, bu da özellikler güçlü bir şekilde etkileşime girdiğinde doğruluğu sınırlar.
- Belirsiz olasılık çerçevesi, standart olasılıksal sınıflandırıcılardan daha fazla aşinalık gerektirir ve uzman olmayan kitlelere iletişimi karmaşıklaştırır.
- Sağlamlık hiperparametresi s'nin seçimi probleme bağlıdır ve ayarlanmalı veya gerekçelendirilmelidir.
SSS
Sınıflandırıcının çekinmesi ne anlama gelir?
Makul dağılımların inanılır kümesi, her biri farklı sınıfları tercih eden dağılımları içerdiğinde, sınıflandırıcı tek bir etikete oybirliğiyle karar veremez. Tahmin etmek yerine, örneği belirsiz olarak işaretler - daha fazla bilgi gerektiğini belirten açık bir sinyaldir.
s hiperparametresi performansı nasıl etkiler?
Daha büyük bir s, inanılır kümeyi genişleterek daha fazla belirsizliğe izin verir ve daha fazla çekinmeye neden olur; belirlenen örneklerde doğruluk artar ancak kapsama alanı düşer. Daha küçük bir s, kümeyi standart Naive Bayes'e doğru daraltır ve sağlamlık garantileri pahasına tam kapsama alanını geri kazanır.
Sağlam Naive Bayes standart Naive Bayes'ten daha mı iyidir?
Sınıflandırdığı örneklerde evet - doğruluk tipik olarak daha yüksektir, özellikle etiket gürültüsü veya küçük örneklemler altında. Ancak, her örneği sınıflandırmaz, bu nedenle uçtan uca verimlilik kabul edilebilir çekinme oranlarına bağlıdır.
Hala özellik bağımsızlığını varsayıyor mu?
Evet. Sağlam Naive Bayes, standart Naive Bayes'in koşullu bağımsızlık varsayımını miras alır; sağlamlık uzantısı, yapısal bağımsızlık varsayımını değil, olasılık parametrelerindeki belirsizliği ele alır.
Hangi değerlendirme metrikleri uygundur?
Belirgin tahminlerde doğruluk ve F1'i kapsama alanı (sınıflandırılan örneklerin oranı) ile birlikte raporlayın. Ayrıca çekinme oranını raporlayın ve mümkün olduğunda, çekinilen örneklerin gerçekten veri kümesindeki en zor veya en belirsiz örnekler olup olmadığını değerlendirin.
Kaynaklar
- Zaffalon, M. (2002). The Naive Credal Classifier. Journal of Statistical Planning and Inference, 105(1), 5–21. DOI: 10.1016/S0378-3758(01)00201-4 ↗
- Naive Bayes classifier. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Naive Bayes Classifier. ScholarGate. https://scholargate.app/tr/machine-learning/robust-naive-bayes
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Düzenlileştirilmiş Naive BayesMakine öğrenmesi↔ karşılaştır
- Yarı denetimli Naive BayesMakine öğrenmesi↔ karşılaştır