Naive Bayes sınıflandırıcısı: Revizyonlar arasındaki fark
[kontrol edilmiş revizyon] | [kontrol edilmiş revizyon] |
İçerik silindi İçerik eklendi
6 kaynak kurtarıldı ve 0 kaynak ölü olarak işaretlendi.) #IABot (v2.0.7 |
Khutuck Bot (mesaj | katkılar) k Bot v3: Kaynak ve içerik düzenleme (hata bildir) |
||
1. satır:
[[Dosya:Bayes' Theorem MMB 01.jpg|
'''Naïve Bayes sınıflandırıcı''', [[örüntü tanıma]] problemine ilk bakışta oldukça kısıtlayıcı görülen bir [[önerme]] ile kullanılabilen [[olasılık]]sal bir yaklaşımdır. Bu önerme, örüntü tanımada kullanılacak her bir tanımlayıcı [[Öznitelik (makine öğrenmesi)|öznitelik]] ya da parametrenin [[istatistik]] açıdan bağımsız olması gerekliliğidir. Her ne kadar bu önerme Naive Bayes sınıflandırıcının kullanım alanını kısıtlasa da, genelde istatistik bağımsızlık koşulu esnetilerek kullanıldığında da daha karmaşık [[yapay sinir ağları]] gibi metotlarla karşılaştırabilir sonuçlar vermektedir. Bir Naive Bayes sınıflandırıcı, her özniteliğin birbirinden koşulsal bağımsız olduğu ve öğrenilmek istenen kavramın tüm bu özniteliklere koşulsal bağlı olduğu bir [[Bayes ağı]] olarak da düşünülebilir.
15. satır:
:P(A) ve P(B) ; A ve B olaylarının [[önsel olasılık]]larıdır.
Burada önsel olasılık Bayes teoreminine [[öznel]]lik katar. Diğer bir ifadeyle örneğin P(A) henüz elde veri toplanmadan A olayı hakkında sahip olunan bilgidir. Diğer taraftan P(''B''|''A'') [[ardıl olasılık]]tır çünkü veri toplandıktan sonra, A olayının gerçekleşmiş olduğu durumlarda B olayının gerçekleşme ihtimali hakkında bilgi verir.<ref>{{Web kaynağı | soyadı = Pawlak | ad = Zdzisław | başlık = A Rough Set View on Bayes’ Theorem | url = http://bcpw.bg.pw.edu.pl/Content/1933/IJIS2003.pdf | erişimtarihi = 3 Kasım 2012 | dil = İngilizce | arşivengelli = evet |
==Sınıflandırma problemi==
64. satır:
<math>P(S_i)</math> ve <math>P(S_j</math>) i ve j sınıflarının öncel olasılıklarıdır. Elde olan veri kümesinden değerleri kolayca hesaplanabilir.
Naive bayes sınıflandırıcının kullanım alanı her ne kadar kısıtlı gözükse de yüksek boyutlu uzayda ve yeterli sayıda veriyle x'in (nicelik kümesi) bileşenlerinin istatistik olarak bağımsız olması koşulu esnetilerek başarılı sonuçlar elde edilebilinir.<ref>{{Web kaynağı | başlık = Bayes Sınıflandırıcısı | url = http://cis.poly.edu/~mleung/FRE7851/f07/naiveBayesianClassifier.pdf | erişimtarihi = 3 Kasım 2012 | arşivurl = https://web.archive.org/web/20160311202321/http://cis.poly.edu/~mleung/FRE7851/f07/naiveBayesianClassifier.pdf | arşivtarihi = 11 Mart 2016 | ölüurl =
==Uygulama alanları==
Naive Bayes sınıflandırıcısı genel olarak [[veri madenciliği]]nde, [[Biyomedikal Mühendisliği|biyomedikal mühendisliği alanında]], hastalıkların ya da anormalliklerin [[Tıbbi tanımlama|tıbbi tanımlanmasında]] ([[Otomatik tanıma ve veri toplama|otomatik]] olarak [[Mühendislik|mühendislik ürünü]] [[tıbbi cihaz]]lar tarafından tanı konulması)<ref>{{dergi kaynağı|soyadı=Lakoumentas|ad=John|
[[elektrokardiyografi]] (EKG) grafiğinin sınıflandırılmasında<ref>{{dergi kaynağı|soyadı=Wiggins|ad=M.|
==Ayrıca bakınız ==
|