নিষ্পাপ বেয়েস এবং বহু বহুবর্ষী নিষ্পাপ বেয়েসের মধ্যে পার্থক্য

আমি এর আগে নাইভ বেইস শ্রেণিবদ্ধের সাথে ডিল করেছি । আমি ইদানীং মাল্টিনোমিয়াল নাইভ বেয়েস সম্পর্কে পড়ছি ।

এছাড়াও উত্তরোত্তর সম্ভাবনা = (পূর্বের সম্ভাবনা) / (প্রমাণ) ।

নাইভ বেয়েস এবং মাল্টিনোমিয়াল নাইভ বেয়েসের মধ্যে আমি খুঁজে পেয়েছি একমাত্র প্রধান পার্থক্য

মাল্টিনমিয়াল সাদাসিধা বায়েসের হিসাব সম্ভাবনা হতে একটি শব্দ / টোকেন গণনা (দৈব চলক) এবং সাদাসিধা বায়েসের গণনা করে সম্ভাবনা নিম্নলিখিত হবে:

এখানে চিত্র বর্ণনা লিখুন

আমি ভুল হলে শুধরে!

— garak
সূত্র

আপনি নিম্নলিখিত পিডিএফ অনেক তথ্য পাবেন: cs229.stanford.edu/notes/cs229-notes2.pdf

— বি_মিনার

ক্রিস্টোফার ডি ম্যানিং, প্রভাকর রাঘাওয়ান এবং হিনরিচ স্কটজি। " তথ্য পুনরুদ্ধারের ভূমিকা। " ২০০৯, পাঠের শ্রেণিবিন্যাসের উপর অধ্যায় ১৩ এবং নাইভ বায়েসও ভাল।

— ফ্রাঙ্ক ডারননকোর্ট

সাধারণ শব্দ নায়েভ বয়েস প্রতিটি বৈশিষ্ট্যের নির্দিষ্ট বিতরণ না করে মডেলের দৃ independence় স্বাধীনতা অনুমানকে বোঝায়। একটি নাইভ বায়েস মডেল ধরে নিয়েছে যে এটি ব্যবহার করে এমন প্রতিটি বৈশিষ্ট্য শর্তসাপেক্ষে কিছু বর্গের ক্ষেত্রে একে অপরের থেকে স্বতন্ত্র। আরও আনুষ্ঠানিকভাবে, যদি আমি মাধ্যমে বৈশিষ্ট্যগুলি পর্যবেক্ষণের সম্ভাবনা গণনা করতে চাই , অনুমানের অধীনে কিছু শ্রেণি সি দেওয়া হয়েছে: $f_1$ $f_n$

p (f_{1}, . . ., f_{n} | c) = \prod_{i = 1}^{n} p (f_{i} | c)

$p(f_1,..., f_n|c) = \prod_{i=1}^n p(f_i|c)$

এর অর্থ হ'ল আমি যখন একটি নতুন উদাহরণকে শ্রেণিবদ্ধ করার জন্য একটি নেভ বেইস মডেলটি ব্যবহার করতে চাই, তার পরে কাজ করার ক্ষেত্রে উত্তরোত্তর সম্ভাবনা অনেক সহজ:

p (c | f_{1}, . . ., f_{n}) \propto p (c) p (f_{1} | c) . . . p (f_{n} | c)

$p(c|f_1,...,f_n) \propto p(c)p(f_1|c)...p(f_n|c)$

অবশ্যই স্বাধীনতার এই অনুমানগুলি খুব কমই সত্য, যা ব্যাখ্যা করতে পারে যে কেউ কেউ মডেলটিকে "ইডিয়ট বেয়েস" মডেল হিসাবে কেন উল্লেখ করেছেন, কিন্তু বাস্তবে নাইভ বেয়েস মডেলগুলি বিস্ময়করভাবে দুর্দান্ত অভিনয় করেছেন এমনকি জটিল কাজগুলিতেও যেখানে এটি স্পষ্ট যে স্পষ্ট স্বাধীনতা অনুমান মিথ্যা।

এই মুহূর্ত পর্যন্ত আমরা প্রতিটি বৈশিষ্ট্য বিতরণ সম্পর্কে কিছুই বলেনি। অন্য কথায়, আমরা । মেয়াদ মাল্টিনমিয়াল সাদাসিধা বায়েসের কেবল আমাদের জানান প্রতিটি দেয় একটি MULTINOMIAL বন্টন, বরং অন্য কিছু বন্টন করা হয়। এটি এমন ডেটার জন্য ভাল কাজ করে যা সহজেই গণিতে রূপান্তরিত হতে পারে যেমন পাঠ্যে শব্দ গণনা। $p(f_i|c)$ $p(f_i|c)$

আপনি আপনার নাইভ বায়েস শ্রেণিবদ্ধের সাথে যে বিতরণটি ব্যবহার করে আসছিলেন তা একজন গুসিয়ান পিডিএফ, তাই আমি অনুমান করি যে আপনি এটি গুয়াসিয়ান নাইভ বেয়েস শ্রেণিবদ্ধ হিসাবে অভিহিত করতে পারেন।

সংক্ষেপে বলতে গেলে, নাইভ বেয়েস শ্রেণিবদ্ধকারী একটি সাধারণ শব্দ যা মডেলের প্রতিটি বৈশিষ্ট্যের শর্তাধীন স্বাধীনতা বোঝায়, যখন মাল্টিনোমিয়াল নেয়েভ বেইস শ্রেণিবদ্ধ একটি ন্যাভ বেইস শ্রেণিবদ্ধের একটি নির্দিষ্ট উদাহরণ যা প্রতিটি বৈশিষ্ট্যের জন্য বহুজাতিক বিতরণ ব্যবহার করে।

তথ্যসূত্র:

স্টুয়ার্ট জে রাসেল এবং পিটার নরভিগ। 2003. কৃত্রিম বুদ্ধি: একটি আধুনিক পদ্ধতির (2 সংস্করণ)। পিয়ারসন শিক্ষা. দেখুন পি। "ইডিয়ট বেয়েস" এর সাথে সাথে নাইভ বেয়েস মডেলের সাধারণ সংজ্ঞা এবং এর স্বাধীনতা অনুমানের জন্য 499

— jlund3
সূত্র

লিঙ্কগুলি নষ্ট হয়েছে

— স্বল্পতর

@ জালুন্ড 3, সুন্দর ব্যাখ্যার জন্য ধন্যবাদ। কীভাবে আমরা আমাদের শ্রেণিবদ্ধে বিতরণের তথ্য যুক্ত করব? আমি বলতে চাইছি কীভাবে ফোমুলা পি (সি | এফ 1, ..., এফএন) ∝p (সি) পি (এফ 1 | সি) ... পি (এফএন | সি) এটি গুসিয়ান বিতরণ বনাম মাল্টিমোডাল কিনা তার উপর নির্ভর করে পরিবর্তন করে

— ডেভিড

সংক্ষিপ্ত ব্যাখ্যার জন্য ধন্যবাদ তবে আমি গ্রন্থটি (স্টুয়ার্ট জে। রাসেল এবং পিটার নরভিগ। 2003. কৃত্রিম বুদ্ধিমত্তা: একটি আধুনিক পদ্ধতির (2 এড।))

— উপরেও

বহুজাতিক বিতরণের গণনাগুলি স্বতন্ত্র are আমার প্রশ্নটি এখানে দেখুন: ডেটাসায়েন্স.স্ট্যাকেক্সেঞ্জার

— হানান শিটিংগার্ট

$P(x_i | c_j)$ $1 \leq i \leq n$ $1 \leq j \leq k$ $(i,j)$ $P(x_i|c_{j_1})$ $P(x_i | c_{j_2})$

বহুযুগল নাইভ বেইস কেবল সমস্ত জোড়গুলির জন্য বহু-বিতরণ বিতরণ করে যা কিছু ক্ষেত্রে যুক্তিসঙ্গত অনুমান বলে মনে হয়, যেমন নথিতে শব্দ গণনার জন্য।

— sjm.majewski
সূত্র