iT邦幫忙

2023 iThome 鐵人賽

DAY 23
0
AI & Data

深入探索AI模型系列 第 23

【Day 23】 Naïve Bayes(貝式分類器)

  • 分享至 

  • xImage
  •  

今天要來講Naïve Bayes,但在開始前我們先來看看什麼事貝氏定理(Bayes’ theorem)。貝氏定理是用來描述在已知條件情況下,某件事情發生的機率。

https://latex.codecogs.com/svg.image?&space;P(A|B)=\frac{P(B|A)P(A)}{P(B)}

在上式中,P(A | B)稱為事件A的事後機率,也就是已知B事件已經發生的情況下,A事件發生的機率。

在了解貝氏定理後,Naïve Bayes的目標就是要找到一個A事件,讓P(A | B)的機率可以最大。舉例來說,P(出門 | 下雨) = 0.3、P(在家 | 下雨) = 0.7,則我們的結論就是分類為『在家』,因為0.7 > 0.3。

我們可以將貝氏定理的比較簡化如下。由於P(B)(B事件發生的機率)為固定,因此我們在求出A事件為何時可以忽略P(B)的計算。

https://latex.codecogs.com/svg.image?P(B|A)*P(A)

心情 天氣 出門與否
3 不好 出門
2 出門
2 不好 不出門
3 出門
1 不好 不出門
1 不出門
2 不好 不出門
3 出門
3 不好 出門
2 出門

拿上述的例子,若是今天有一個新的資料{心情:1, 天氣:好},則我們是否會出門呢?

Step1:計算出門和不出門的機率。
P(出門) = 6 / 10、P(不出門) = 4 / 10

Step2:計算出門和不出門時,心情 = 1的機率
P(心情 = 1 | 出門) = 0、P(心情 = 1 | 不出門) = 1 / 4

Step3:計算出門和不出門時,天氣好的機率
P(天氣好 | 出門) = 4 / 6、P(天氣好 | 不出門) = 1 / 4

Step4:代入公式檢查
A事件為出門:
P(B | A) * P(A) = 0 * 4 / 6 * 6 / 10 = 0

A事件為不出門:
P(B | A) * P(A) = 1 / 4 * 1 / 4 * 4 / 10 = 1 / 40

當A事件為『出門』時,我們得出的機率為0,而當A事件為『不出門』時,我們得出的機率為 1/40 ,因此我們最終的結果為『不出門』。


上一篇
【Day 22】 KNN實作
下一篇
【Day 24】 Naïve Bayes實作
系列文
深入探索AI模型30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言