الگوریتم نیو بیزین naive bayesian

روش نیو بیزین

تئوری بیزین توسط توماس بیز در سال (1702-1761) پیشنهاد شد. قضیه بیزین یک روش از محاسبات احتمالی است و احتمال رخدادی که در آینده رخ خواهد داد وابسته به رخدادی است که قبلا رخ داده است. این تئوری توانایی خود یادگیری در سیستم هوشمند دارد که به‌صورت گسترده استفاده می‌شود. از تئوری بیزین می‌توان برای پیش‌بینی حوادث آینده بر اساس حوادث حاضر طبق نظریه‌ی آمار و احتمال استفاده کرد. دسته بندی نیو بیزین بر پایه قضیه Bayes و فرضیه های استقلال بین پیش بینی کننده ها است. یک مدل Bayesian برای ساختن، ساده و آسان است که بدون  پارامتر پیچیده تکراری است که باعث می شود  برای مجموعه های داده های بسیار بزرگ مفید باشد. به رغم سادگی ، دسته بندی بیزین اغلب جالب است و به طور گسترده ای مورد استفاده قرار می گیرد.

الگوریتم

قضیه نیو بیزین ( naive bayesian) روش محاسبه احتمال posterior (خلفی)، (P (c | x)، P (c)، P (x) و P (x | c را فراهم می کند. دسته بندی naive bayesian فرض می کند که اثر ارزش یک پیش بینی (x) بر یک کلاس داده (c) مستقل از مقادیر پیش بینی کننده های دیگر است. این فرض استقلال شرطی طبقه است.

• (P (c | x) احتمال خلفی کلاس (هدف) پیش بینی کننده (ویژگی) است.
• (P (c) احتمال قبلی کلاس است.
• (P (x | c) این احتمال است که احتمال کلاس پیش بینی کننده داده شده است.
• (P (x) احتمال قبلی پیش بینی کننده است.

در مدل ZeroR هیچ پیش بینی کننده ای وجود ندارد، در مدل OneR ما تلاش می کنیم بهترین پیش بینی کننده را بیابیم، Bayesian ساده گرا شامل همه پیش بینی کننده ها با استفاده از قانون بیزین و فرضیه های استقلال بین پیش بینی کننده ها است.

آموزش الگوریتم K نزدیکترین همسایه KNN

آموزش الگوریتم K نزدیکترین همسایه KNN عنوان محصولی است که در این بخش به آن پرداخته شده است. در این آموزش به توضیح و تشریح کامل روش K همسایه نزدیک پرداخته شده و به صورت روان توضیح داده شده است.

همین الان کلیک کنید

فیلم آموزشی الگوریتم وال ( نهنگ ) WOA در متلب

در این بخش فیلم آموزشی الگوریتم وال ( نهنگ ) WOA در متلب ارائه شده است. در این فیلم آموزشی به توضیح کامل و واضح تئوری الگوریتم وال و آموزش خط به خط کد متلب الگوریتم نهنگ پرداخته می شود.

همین الان کلیک کنید

مثال 1

در این مثال ما از یک دیتاست آب و هوا استفاده می کنیم.

احتمال ابتلا به خلفی را می توان از ابتدا محاسبه کرد، ساخت یک جدول فرکانس برای هر ویژگی در برابر هدف. سپس، تبدیل جداول فرکانس به جداول احتمال داده شده و در نهایت از معادله بیس برای محاسبه احتمال خلفی برای هر کلاس استفاده کنید. کلاس با بیشترین احتمال خنثی نتایج حاصل از پیش بینی است.

همچنین جداول احتمال برای همه چهار پیش بینی کننده نیو بیزین عبارت است از:

مثال 2

در این مثال ما 4 ورودی (پیش بینی کننده) برای نیو بیزین داریم. احتمالات نهایی خلفی می تواند بین 0 تا 1 استاندارد شود.

مشکل فرکانس صفر

وقتی یک مقدار ویژگی (Outlook = Overcast) با هر مقدار کلاس رخ می دهد (Play Golf = no) را به شمارش برای هر ترکیبی از کلاس ویژگی اضافه کنید (برآوردگر لاپلاس).

پیاده سازی انتخاب ویژگی با الگوریتم کلونی مورچه ACO برای NB در متلب

در این بخش به بحث انتخاب ویژگی با ACO برای NB یعنی استفاده از الگوریتم کلونی مورچگان (ACO) را برای انتخاب ویژگی برای الگوریتم یادگیری ماشین نیو بیزین (Naive Bayesian) یا همان NB می پردازد.

همین الان کلیک کنید

پیش بینی های عددی

متغیرهای عددی قبل از ساختن جداول فرکانس آنها باید به همتایان دسته ای خود (Binning) تبدیل شوند. گزینه دیگری که ما استفاده می کنیم استفاده از توزیع متغیر عددی است تا یک حدس خوب از فرکانس باشد. به عنوان مثال، یک رویه معمول، توزیع نرمال برای متغیرهای عددی است.

تابع چگالی احتمال برای توزیع نرمال با دو پارامتر (میانگین و انحراف استاندارد) تعریف می شود.

فیلم آموزش الگوریتم شمع و پروانه MFO در متلب

آموزش الگوریتم شمع و پروانه MFO در متلب عنوان محصولی است که در این بخش قرار داده شده است. در این آموزش به توضیح خط به خط الگوریتم MFO در متلب پرداخته شده و به صورت روان توضیح داده شده است.

همین الان کلیک کنید

فیلم آموزشی کد الگوریتم وال بهبود یافته LXWOA در متلب – فیلم آموزشی وال بهبود یافته

در این بخش فیلم آموزشی وال بهبود یافته در متلب ارائه شده است. در این فیلم آموزشی به توضیح کد متلب فیلم آموزشی الگوریتم وال بهبود یافته LXWOA در متلب پرداخته می شود.

همین الان کلیک کنید

مشارکت پیش بینی کننده

به دست آوردن اطلاعات Kononenko’s به عنوان مجموع اطلاعاتی که توسط هر یک از ویژگی ها به دست می آید، می تواند توضیحی در مورد چگونگی ارزش پیش بینی کننده ها بر احتمال کلاس را تحت تاثیر قرار دهد.

فیلم آموزشی الگوریتم گرگ خاکستری GWO در متلب

در این بخش فیلم آموزشی الگوریتم گرگ خاکستری GWO در متلب ارائه شده است. در این فیلم آموزش به توضیح کامل و واضح تئوری الگوریتم گرگ خاکستری و خط به خط کد متلب الگوریتم گرگ خاکستری GWO پرداخته می شود.

همین الان کلیک کنید

سهم پیش بینی کننده ها نیز می تواند با ترسیم نانوگرام ها (Nomogram ) تجسم یابد. نمودارهای نوموگرافی نسبت شانس برای هر ارزش هر یک از پیش بینی ها است. طول خطوط مربوط به نسبت عرض شانس است، که نشان دهنده اهمیت پیش بینی کننده مرتبط است. همچنین اثرات ارزش های فردی پیش بینی کننده را نشان می دهد.

مراجع

https://en.wikipedia.org/wiki/Naive_Bayes_classifier

https://www.saedsayad.com/naive_bayesian.htm