Шта је Баиесова теорема?
Баиесова теорема је рецепт који приказује како освежити вероватноће теорија када се дају докази. У основи заснива на максимама условне вероватноће, међутим, може се искористити за оправдање широког обима питања, укључујући освежавање осуде.
С обзиром на теорију Х и доказ Е, Баиесова теорема изражава да је веза између вероватноће спекулације пре добијања доказа П (Х) и вероватноће теорије у јеку добивања доказа П (Х∣Е)
То је прелепи концепт Вероватноће где налазимо вероватноћу када знамо другу вероватноћу
Што нам говори: колико се редовно догађа А с обзиром да се Б појављује, састављен од П (А | Б),
Кад знамо: колико се редовно догађа Б с обзиром на то да се јавља Ан, састављен од П (Б | А)
штавише, колико је вероватно да је Ан без иког другог, састављен П (А)
шта више, колико је вероватно да је Б без иког другог, састављен П (Б)
Пример Баиесове теореме
Данас договарате излет, међутим јутро је облачно, Бог нам помаже! половина сваког олујног дана почиње сјеном! У сваком случају сјеновита јутра су нормална (око 40% дана почиње претежно облачно) Штавише, ово је углавном сушни мјесец (само 3 од 30 дана ће у цјелини бити олујно или 10%). Колика је вероватноћа пљускова током дана? Кишу ћемо користити за пљускове током дана, а Облачно за облачно јутро. Могућност кише која се даје Облаку састоји се од П (киша | облак)
Дакле, то бисмо требали поставити у једначину:
- П (киша) вероватноћа да ће бити киша = 10% (дато)
- П (облак | киша) вероватноћа да су облаци, да ли су ту и да се деси киша = 50%
- П (облак) је вероватноћа да су облаци тамо = 40%
Дакле, можемо рећи да је у:
То је Баиесова теорема: да можете искористити вероватноћу једне ствари да предвидите вероватноћу нечег другог. Ипак, Баиесова теорема је све само не статична ствар. То је машина коју тражите да бисте побољшали и боље прогнозирали као нове доказне површине. Интригантна активност је усмеравање фактора препуштањем карактеристичних теоријских квалитета на П (Б) или П (А) и разматрање њиховог кохерентног дејства на П (А | Б). На пример, у случају да повећате називник П (Б) са десне стране, у том тренутку П (А | Б) се спушта. Чврсти модел: Кашаљ је показатељ оспица, а носни нос су несумњиво типичнији од кожних осипа са малим белим мрљама. То јест, у случају да одаберете П (Б) где је Б цурек из носа, у том тренутку понављање носница у укупној јавности умањује могућност да је цурење из носа показатељ оспица. Вероватноћа проналаска оспица опада у односу на нуспојаве које постају прогресивно нормалне; те манифестације нису чврсти покази. Слично томе, како оспице постају све нормалније и П (А) се повећава у бројнику с десне стране, П (А | Б) се углавном повећава, уз образложење да су оспице обично вјероватније обраћајући мало пажње на нуспојаве које сматрате.
Примена Баиесове теореме у машинском учењу
Наивни Баиесов класификатор
Наиве Баиес је израчун карактеризације за двоструке (дво класе) и групе класе. Систем је најмање захтеван за разумевање када се приказује употребом двоструких или исправних инфо квалитета.
Називају га наивни Баиес или имбецилни Баиес у светлу чињенице да је промишљање вероватноћа за сваку теорију поједностављено да би њихов број могао бити следљив. За разлику од настојања да се утврде процене сваког својства П (д1, д2, д3 | х), сматра се да су рестриктивно слободни с обзиром на вредност вредности и одређени су као П (д1 | х) * П (д2 | Х, итд.
Ово је чврста претпоставка која је најизгледнија у истинитим информацијама, на пример, да својства не комуницирају. Иначе, методологија шокантно делује на основу информација у којима та претпоставка не постоји.
Портрајал који користе Наиве Баиес модели
Приказ наивног Баиесовог алгоритма је вероватноћа.
Постави се с вероватноћом да се поднесу молбе за наивно наивни Баиесов модел. Ово укључује:
Вероватноћа класе: Вероватноћа за све у скупу података за припрему.
Условна вероватноћа: Условна вероватноћа за информације о свим примерцима вредне сваког поштовања класе.
Узмите из података наивни Баиесов модел. Брзо преузимање наивног Баиесовог модела из информација о припреми је брзо. Припрема је брза у светлу чињенице да треба одредити осамљене вредности вероватноће за сваку инстанцу класе и вредност вероватноће за сваку инстанцу класе које дају различите карактеристике (к). Системи за побољшање не би требало да одговарају коефицијентима.
Израчунавање вероватноће класе
Вероватноћа класе је у основи понављање случајева који имају место при чему је сваки разред изолован од укупног броја случајева.
На пример, у паралелној класи, вероватноћа случаја који има место са класом 1, одређује се као:
Вероватноћа (класа = 1) = укупно (класа = 1) / (укупно (класа = 0) + укупно (класа = 1))
У најнепосреднијем случају, сваки разред има вероватноћу 0, 5 или половину за двоструко издање класификације са сличним бројем појава у свим инстанцама класе.
Израчунавање условне вероватноће
Условна вероватноћа је понављање сваког уважавања особина за дату класу, које вреди поделити понављањем примера са тим поштовањем класе.
Све апликације Баиесове теореме
Много је користи Баиесове теореме у стварности. Покушајте да не наглашавате искљученост да не видите одмах све аритметике. Једноставно добијање осећаја како функционише је адекватно за почетак.
Баиесова теорија одлука је мјерљив начин да се ријеши питање класификације. Под овом хипотезом очекује се да је основни пренос вероватноће за класе познат. На овај начин добијамо савршени Баиесов класификатор на основу којег сваки други класификатор доноси одлуку за извршење.
Говорит ћемо о три основне употребе Баиесове теореме:
- Наиве Баиес-ов класификатор
- Дискриминаторне функције и површине одлучивања
- Бајесова процена параметара
Закључак
Величанственост и интензитет Баиесове теореме никада ме не престају задивити. Основна идеја, коју је дао свештеник који је прешао преко 250 година уназад, користи се у апсолутно најнепогрешивијим АИ процедурама данас.
Препоручени чланци
Ово је водич за Баиесову теорему. Овде смо расправљали о употреби Баиесове теореме у машинском учењу и о приказивању који користе примјери наивних Баиесових модела са примерима. Можда ћете такође погледати следеће чланке да бисте сазнали више -
- Наивни Баиесов алгоритам
- Врсте алгоритама машинског учења
- Модели машинског учења
- Методе машинског учења