Python Data Science Handbook, 2. Auflage

Kapitel 41. Vertiefung: Naive Bayes-Klassifikation

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In den vorangegangenen vier Kapiteln haben wir einen allgemeinen Überblick über die Konzepte des maschinellen Lernens gegeben. Im restlichen Teil V werden wir uns zunächst vier Algorithmen für überwachtes Lernen und dann vier Algorithmen für unüberwachtes Lernen genauer ansehen. Wir beginnen mit unserer ersten überwachten Methode, der Naive-Bayes-Klassifikation.

Naive-Bayes-Modelle sind eine Gruppe von extrem schnellen und einfachen Klassifizierungsalgorithmen, die sich oft für sehr hochdimensionale Datensätze eignen. Weil sie so schnell sind und nur wenige einstellbare Parameter haben, eignen sie sich als schnelle und einfache Grundlage für ein Klassifizierungsproblem. In diesem Kapitel wird die Funktionsweise von Naive-Bayes-Klassifikatoren intuitiv erklärt, gefolgt von einigen Beispielen, in denen sie anhand einiger Datensätze in Aktion gezeigt werden.

Bayes'sche Klassifikation

Naive Bayes-Klassifikatoren basieren auf Bayes'schen Klassifizierungsmethoden.Diese basieren auf dem Bayes'schen Theorem, einer Gleichung, die das Verhältnis der bedingten Wahrscheinlichkeiten statistischer Größen beschreibt. Bei der Bayes'schen Klassifizierung geht es darum, die Wahrscheinlichkeit für ein Label zu finden $L$ bei bestimmten beobachteten Merkmalen zu ermitteln, die wir wie folgt ausdrücken können $P$