Getting to know the Bayes theoremAt

Getting to know the Bayes theorem
At its core, Naive Bayes classification is nothing more than keeping track of which
feature gives evidence to which class. To ease our understanding, let us assume the
following meanings for the variables that we will use to explain Naive Bayes:
Variable Possible values Meaning
"pos", "neg" Class of a tweet (positive or negative)
Non-negative integers Counting the occurrence of awesome in the tweet
Non-negative integers Counting the occurrence of crazy in the tweet
During training, we learn the Naive Bayes model, which is the probability for a
class when we already know features and . This probability is written as
.
Since we cannot estimate this directly, we apply a trick, which was found out by
Bayes:
If we substitute with the probability of both features and occurring and
think of as being our class , we arrive at the relationship that helps us to later
retrieve the probability for the data instance belonging to the specified class:

Kết quả (Việt) 1:

Tìm hiểu định lý BayesTại lõi của nó, ngây thơ Bayes phân loại là không có gì nhiều hơn theo dõi của màtính năng cho bằng chứng để lớp học đó. Để giảm bớt sự hiểu biết của chúng tôi, hãy cho chúng tôi giả sử cácnghĩa sau đây cho các yếu tố chúng tôi sẽ sử dụng để giải thích Bayes ngây thơ:Có thể thay đổi giá trị ý nghĩa"pos", "neg" lớp một tweet (tích cực hay tiêu cực)Số nguyên không âm đếm sự xuất hiện của tuyệt vời trong các tweetSố nguyên không âm đếm sự xuất hiện của điên trong các tweetTrong thời gian đào tạo, chúng tôi tìm hiểu mô hình ngây thơ Bayes, là xác suất cho mộtlớp khi chúng tôi đã biết tính năng và. Xác suất này được ký hiệu là.Kể từ khi chúng tôi không thể ước tính điều này trực tiếp, chúng tôi áp dụng một thủ thuật, được phát hiện ra bởiBayes:Nếu chúng tôi thay thế với xác suất của tính năng và xảy ra vàHãy suy nghĩ của là lớp của chúng tôi, chúng tôi đến mối quan hệ đó sẽ giúp chúng tôi để sau đóLấy xác suất cho trường hợp dữ liệu thuộc các lớp học quy định:

Kết quả (Việt) 2:

Làm quen với định lý Bayes
Tại cốt lõi của nó, Naive Bayes phân loại là không có gì nhiều hơn việc theo dõi trong đó
tính năng đưa cho bằng chứng mà lớp. Để giảm bớt sự hiểu biết của chúng tôi, để chúng tôi giả định các
ý nghĩa sau đây cho các biến mà chúng ta sẽ sử dụng để giải thích Naive Bayes:
giá trị biến có thể có nghĩa là
"pos", "neg" Class của một tweet (tích cực hoặc tiêu cực)
số nguyên không âm Đếm sự xuất hiện của awesome trong các tweet
số nguyên không âm Đếm sự xuất hiện của điên trong tweet
Trong đào tạo, chúng tôi tìm hiểu các mô hình Bayes Naive, đó là xác suất cho một
lớp khi chúng ta đã biết tính năng và. Xác suất này được viết là
.
Vì chúng ta không thể ước lượng trực tiếp, chúng tôi áp dụng một thủ thuật, mà đã được phát hiện ra bởi
Bayes:
Nếu chúng ta thay thế với xác suất của cả hai tính năng và xảy ra và
nghĩ đến như là lớp học của chúng tôi, chúng tôi đến các mối quan hệ giúp chúng ta sau này
lấy xác suất cho các trường hợp dữ liệu thuộc lớp xác định: