وأوضح المصنف ساذج بايز

مقدمة

إذا كنت مهتمًا بالتعلم الآلي أو الذكاء الاصطناعي أو علم البيانات ، فيجب أن تعرف أهمية الافتراضات. يتم تطوير التعلم الآلي أو النماذج الأخرى القائمة على المخاطر بناءً على افتراضات معينة واتفاقيات محددة مسبقًا تسمح للمطورين بالحصول على النتائج المرجوة. إذا لم يأخذ المطورون في الاعتبار الافتراضات أثناء بناء النماذج ، فيمكن أن يتداخل ذلك مع البيانات ويؤدي إلى نتائج غير دقيقة. يعد مصنف Naive Bayes أحد الأمثلة الكلاسيكية للافتراضات الرياضية في النماذج الإحصائية.

برامج الذكاء الاصطناعي والتعلم الآلي لدينا في الولايات المتحدة

تشرح هذه المدونة نظرية بايز ومصنف سايف بايز ونماذجها المختلفة.

ما هو تصنيف بايز السذاجة؟

يعتمد تصنيف Naive Bayes على نظرية بايز التي طرحها عالم الرياضيات البريطاني توماس بايز. لذا قبل أن تفهم مصنف Naive Bayes ، من المناسب معرفة نظرية بايز. تحدد نظرية بايز ، المعروفة أيضًا باسم قانون بايز أو قاعدة بايز ، فرص حدوث أو عدم حدوث أي حدث. بعبارات بسيطة ، يخبرنا باحتمال وقوع حدث ما.

تُستخدم نظرية بايز بشكل شائع في التعلم الآلي للتنبؤ بالفصول الدراسية بدقة. يحسب الاحتمال الشرطي لمهام التصنيف في التعلم الآلي. تشير مهام التصنيف إلى الأنشطة التي تقوم بها خوارزميات التعلم الآلي لحل المشكلات. يمكنك فهم ذلك بشكل أفضل من خلال مثال رسائل البريد الإلكتروني العشوائية. تتعلم خوارزمية التعلم الآلي تصنيف رسائل البريد الإلكتروني كرسائل غير مرغوب فيها أو ليست بريدًا عشوائيًا. لذلك ، في نموذج التعلم الآلي ، يتم استخدام نظرية بايز للتنبؤ بأنشطة التصنيف أو الفصل العنصري.

نظرية بايز السذاجة هي مجموعة فرعية من نظرية بايز. نظرًا لأن وظيفتها الأساسية هي تصنيف المهام ، فإننا نشير إليها أيضًا باسم Naive Bayes Classifier. تقوم النظرية أيضًا بافتراض ساذج بأن جميع ميزات الفئة لا تعتمد على بعضها البعض ، ومن هنا جاء مصطلح نظرية بايز السذاجة. إذا ناقشنا التعلم الآلي ، فإن Naive Bayes Classifier عبارة عن خوارزمية تطبق نظرية Bayes للتنبؤ بحدث ما مع افتراض أن سمات فئة معينة مستقلة عن بعضها البعض. تعتبر هذه السمات أيضًا متساوية ويمكن أن توجد دون الاعتماد على ميزة أخرى.

يمكننا استخدام Naive Bayes Classifier للعديد من الوظائف ، مثل تشخيص مرض معين في حالة توفر مجموعة من الأعراض ، وتوقعات الطقس ، والرطوبة ، ودرجة الحرارة ، وعوامل أخرى. بكلمات بسيطة ، يمكنك استخدام خوارزمية Bayes الساذجة لأي عملية بيانات تتطلب تصنيفًا متعدد الفئات ثنائيًا أو متعدد الاستخدامات. يعمل Naive Bayes Classifier على مفهوم الاحتمال الشرطي. هذا يعني أن احتمال وقوع حدث واحد يعتمد على حدوث أي حدث آخر. على سبيل المثال ، يعتمد الاحتمال الشرطي لحدوث الحدث أ على حدوث الحدث ب.

احصل على شهادة التعلم الآلي من أفضل الجامعات في العالم. احصل على درجة الماجستير أو برنامج PGP التنفيذي أو برامج الشهادات المتقدمة لتسريع مسار حياتك المهنية.

عمل المصنف ساذج بايز

يتم استخدام مصنف Naive Bayes لإيجاد احتمالية الإخراج إذا كان الإدخال متاحًا. يحل برنامج Naive Bayes Classifier مشاكل نمذجة التنبؤ عن طريق تصنيف الفئات باستخدام تسميات مختلفة. يمكن لخوارزميات التعلم الآلي المستندة إلى نموذج احتمالي أن تحل مثل هذه التحديات المعقدة.

على سبيل المثال ، هناك y1 ، y2 ، y3 …… .yn class labels و x1 ، x2 ، x3 …… متغيرات الإدخال xk في مشكلة التصنيف. أولًا ، نحتاج إلى حساب الاحتمال الشرطي لتسمية مختلفة لفئة y في حالة مدخلات x. ثم نعتبر الميزة ذات الاحتمال الشرطي الأعلى هي التصنيف الأنسب.

نماذج مختلفة لمصنف بايز السذاجة

هذه ثلاثة أنواع من مصنفات Naive Bayes.

• Gaussian Naive Bayes - يستخدم Gaussian Naive Bayes التوزيع الطبيعي أو Gaussian لدعم البيانات المستمرة. تحلل نظرية التوزيع الطبيعي البيانات إذا كان هناك احتمال أن البيانات المستمرة سيتم توزيعها بالتساوي أعلى أو أقل من المتوسط.
• Multinomial Naive Bayes - نستخدم مصنف Naive Bayes متعدد الحدود عندما يكون تصنيف الميزات المنفصلة مطلوبًا ، على سبيل المثال ، عدد الكلمات لتصنيف النص. يحلل محتوى المستند إحصائيًا ويخصصه للفصل الدراسي.
• Bernoulli Naive Bayes - يشبه Bernoulli Naive Bayes مجموعة Multinomial Naive Bayes. كما أنها تستخدم للبيانات المنفصلة. ومع ذلك ، فإنه يقبل السمات الثنائية فقط - 0 و 1. لذلك ، في حالة السمات الثنائية في مجموعة البيانات ، يتعين علينا استخدام Bernoulli Naive Bayes.

مزايا وعيوب مصنف بايز السذاجة

الميزة الأكثر أهمية لـ Naive Bayes Classifier هي أنه يمكنه إدارة كل من البيانات المستمرة والمنفصلة. تزداد دقة أداة تصنيف Naive Bayes مع زيادة كمية البيانات لأنها تعطي نتائج أكثر دقة إذا تم استخدام مجموعة بيانات كبيرة. فيما يلي بعض مزايا وعيوب مصنف Naive Bayes.

مزايا مصنف بايز السذاجة

• قابلية عالية للتوسع - من أهم مزايا مصنف Naive Bayes أنه قابل للتطوير بدرجة كبيرة بسبب افتراضه الساذج.
• فترة تدريب أقل - نحتاج إلى كمية صغيرة من بيانات التدريب لتدريب Naive Bayes Classifier. لذا ، فإن فترة التدريب قصيرة نسبيًا مقارنة بالخوارزميات الأخرى.
• بسيط - ميزة أخرى مهمة لـ Naive Bayes Classifier هي أنه سهل البناء. أيضًا ، يمكن استخدامه بسهولة لتصنيف مجموعات البيانات الكبيرة.

عيوب مصنف بايز السذاجة

• القيود في استخدامات العالم الحقيقي - يقوم مصنف Naive Bayes Classifier بافتراض ساذج بأن الميزات المختلفة للفئة مستقلة عن بعضها البعض. نظرًا لأن هذه الظاهرة نادرًا ما تحدث في العالم الحقيقي ، يمكن استخدام الخوارزمية لأغراض محدودة.
• مشكلة التردد الصفري - إذا كان لمجموعة بيانات التدريب قيمة مضافة مفقودة لاحقًا ، فإن مصنف Naive Bayes يضع علامة على هذه القيمة على أنها صفر بسبب عدم وجود تردد. لذلك ، عندما تتضاعف احتمالات القيم المختلفة ، فإن الاحتمال القائم على التردد يصل إلى الصفر لأن الخوارزمية خصصت قيمًا صفرية للبيانات المفقودة ، مما قد يؤدي إلى نتائج غير دقيقة.

استخدام مصنف Naive Bayes في التعلم الآلي والذكاء الاصطناعي

تعد خوارزمية Naive Bayes مفيدة في التعلم الآلي والذكاء الاصطناعي بسبب افتراضها أن جميع سمات الفصل لا تعتمد على بعضها البعض. فيما يلي بعض الاستخدامات العملية لمصنف Naive Bayes في التعلم الآلي والذكاء الاصطناعي:

• توقع سرطان القولون - اقترح الباحثون استخدام نموذج Naive Bayes Classifier للتنبؤ بسرطان القولون. يمكن أن يكون أحد أكثر الاستخدامات الرائعة لمصنف Naive Bayes Classifier. يمكن جعله ممكنًا باستخدام بيانات سرطان القولون مثل نطاق الهيموجلوبين ، وعدد خلايا الدم الحمراء والبيضاء في جسم مرضى القولون كبيانات تدريب للنموذج. يمكن أن تتنبأ الخوارزمية بسرطان القولون إذا كان الهيموجلوبين وخلايا الدم لدى المريض في نفس النطاق.
• إدارة مخاطر المرور - يمكن أيضًا استخدام مصنف Naive Bayes لإدارة مخاطر المرور. يمكن لـ Naive Bayes Classifier التنبؤ بمخاطر القيادة التي يتعرض لها السائق وحركة المرور على الطريق بناءً على بيانات التدريب.

مدونات التعلم الآلي والذكاء الاصطناعي الشعبية

استنتاج

Naive Bayes Classifier هي خوارزمية صديقة للمبتدئين تعمل على تبسيط التصنيف في التعلم الآلي والذكاء الاصطناعي. تُستخدم خوارزمية Naive Bayes في العديد من التطبيقات العملية مثل الحماية من البريد العشوائي والتنبؤات الجوية والتشخيص الطبي باستخدام ML و Ai. لذلك ، إذا كان لديك اهتمام كبير بالتعلم الآلي وترغب في ممارسة مهنة في هذا المجال ، فيجب أن تعرف عن Naive Bayes Classifier والخوارزميات الأساسية الأخرى. يمكنك متابعة ماجستير العلوم في التعلم الآلي والذكاء الاصطناعي من upGrad لتعلم الخوارزميات ومهارات ML و AI الأخرى بشكل متعمق. توفر الدورة أيضًا فرصة للعمل في مشاريع التعلم الآلي الواقعية ، مما يسمح لك باكتساب المهارات ، وتعزيز سيرتك الذاتية ، واغتنام العديد من فرص العمل في الذكاء الاصطناعي والتعلم الآلي.