Класификатор, който приема силни (наивни) допускания за независимост, базирани на теоремата на Байс, е известен като класификатор на байесова мрежа. По-описателен термин за основния вероятностен модел би бил „модел на независими характеристики“. С прости думи, наивният класификатор на Бейс предполага, че присъствието (или отсъствието) на конкретна характеристика на даден клас не е свързано с присъствието (или отсъствието) на която и да е друга характеристика.
Пример:
Във всяка банка за оценка на кредитния риск за клиентите можем да го направим чрез система за кредитен скоринг, която може да бъде направена от Bayesian Network Classifier. Дадена е байесова мрежа N, която дефинира вероятностното разпределение Pr, избираме променлива C, наречена променлива на класа, и набор от променливи E = {E1, . . ., En}, известни като атрибути. Всяка инстанция e на E е известна като инстанция. Освен това, за някакъв вероятностен праг p, байесовската мрежа може да се разглежда като индуцираща функцията FN, която преобразува всеки екземпляр e в {0, 1}, както следва: FN(e) = 1, ако Pr (c | e)? p и FN(e) = 0 в противен случай. Функцията FNi се нарича байесов мрежов класификатор
Практически набор от данни:
За да тренирате, влезте в „Analyttica TreasureHunt“.
Вход и изход:
За да изпълните „Байесов мрежов класификатор“ в ATH, изберете променливите за прогнозиране и целевата стойност и изберете функцията от „Машинно обучение“ à „Други класификации“ à „Байесов мрежов класификатор“. Всички целеви променливи трябва да бъдат категориални променливи. Ако изберете друго, то ще преобразува отделните стойности на променливата като категории.
Резултатът е под формата на компактен графичен модел на вероятностно разпределение, което присвоява вероятност на всяко интересно събитие
Приложение и тълкуване:
Въз основа на изхода от резултата може да се разграничи как променливите класифицират зависимата променлива.
Вижте също:
Условна вероятност, Наивен класификатор на Бейс.
