Veri Madenciliğinde Bayes Sınıflandırmasını Öğrenin [2022]

Bir süredir veri madenciliği okuyorsanız, 'Bayes sınıflandırması' terimini duymuş olmalısınız. Veri madenciliğinde ne anlama geldiğini ve kavram olarak ne kadar önemli olduğunu merak ediyor musunuz?

Bu makale, veri madenciliğinde Bayes sınıflandırmasının ne olduğunu keşfedeceğiniz için bu soruları yanıtlayacaktır. Hadi başlayalım:

Bayes sınıflandırması nedir?

Veri madenciliği sırasında, sınıf değişkeni ile öznitelik kümesi arasındaki bağlantının deterministik olmadığını göreceksiniz. Bu, öznitelik seti eğitim örnekleriyle aynı olsa bile, bir test kaydının sınıf etiketini mutlak kesinlikle kabul edemeyeceğimiz anlamına gelir.

Belirli etkileyen faktörlerin veya gürültülü verilerin varlığı nedeniyle olabilir. Bir kişinin yeme alışkanlıklarına göre kalp hastalığı riski altında olup olmadığını tahmin etmek istediğinizi varsayalım. Bir kişinin yeme alışkanlıkları, kalp sorunları yaşayıp yaşamayacaklarını belirlemede çok büyük bir faktör olsa da, aynı durumun genetik veya enfeksiyon gibi başka nedenleri de olabilir.

Bu nedenle, kişinin yalnızca yeme alışkanlıklarına dayalı olarak kalp hastalığı riski altında olup olmayacağını belirleme analiziniz hatalı olur ve birden fazla sorunun ortaya çıkmasına neden olabilir.

Ardından “Veri madenciliğinde bu sorunu nasıl çözersiniz?” sorusu ortaya çıkıyor. Cevap Bayes sınıflandırmasıdır.

Bu sorunu çözmek ve herhangi bir olayın oluşumunu tahmin etmek için veri madenciliğinde Bayes sınıflandırmasını kullanabilirsiniz. Bayes sınıflandırıcıları, Bayes olasılık anlayışlarını kullanan istatistiksel sınıflandırıcılardan oluşur.

Veri madenciliğinde Bayes sınıflandırmasının işleyişini anlamak için Bayes teoremi ile başlamanız gerekecek.

Bayes teoremi

Bayes teoreminin kredisi, bilinmeyen parametreler üzerindeki limitleri hesaplamak için kanıt kullanan bir algoritma oluşturmak için koşullu olasılığı kullanan Thomas Bayes'e gider. Bu çözümü bulan ilk kişi oydu.

Matematiksel olarak Bayes teoremi şöyle görünür:

P(A/B) = P(B/A)P(A) P(B)

Burada A ve B olayları temsil eder ve P(B) sıfıra eşit olamaz.

P(B) 0

P(B/A), A doğru olduğunda B olayının meydana gelmesini açıklayan koşullu bir olasılıktır. Benzer şekilde, P(A/B), B doğru olduğunda A olayının oluşumunu açıklayan koşullu bir olasılıktır.

P(B) ve P(A), B ve A'yı bağımsız olarak gözlemleme olasılıklarıdır ve bunlara marjinal olasılıklar denir.

Bayes Yorumu

Bayes yorumunda, olasılık bir inanç derecesini hesaplar. Bayes teoremine göre, bir hipoteze kanıtları düşünmeden önce inanma derecesi, bir hipotezi düşündükten sonra inanma derecesi ile bağlantılıdır.

Diyelim ki bir madeni paranız var. Madeni parayı bir kez atarsanız, ya tura ya da tura alırsınız ve her ikisinin de olma olasılığı %50'dir. Ancak, birkaç kez yazı tura atıp sonuçları gözlemlerseniz, sonuçlara göre inancın derecesi artabilir, azalabilir veya sabit kalabilir.

A önermeniz ve B kanıtınız varsa:

P(A), A'ya olan inancın birincil derecesidir. P(A/B), B'yi açıkladıktan sonraki son inanç derecesidir. P(B/A)/P(B) bölümü, B'nin A için sunduğu desteği gösterir. .

Bayes teoremini koşullu olasılıktan türetebilirsiniz:

P(A/B) = P(A B) P(B) , eğer P(B) 0 ise

P(B/A) = P(B A) P(A) , eğer P(A) 0 ise

Burada P(A B) , hem A hem de B'nin doğru olma olasılığının ortak olasılığıdır, çünkü:

P (BA ) = P(A B)

VEYA, P(A B) = P( A B )P(B) = P( B A )P(A)

VEYA, P( A B ) = P( B A )P(A) P(B) , IF P(B) 0

Bayes Ağı

Belirsizlikleri DAG'ler (Yönlendirilmiş Döngüsel Grafikler) aracılığıyla göstermek için Bayes ağlarını (İnanç ağları olarak da bilinir) kullanırız. Yönlendirilmiş Döngüsel Grafik, diğer herhangi bir istatistiksel grafik gibi bir Bayes Ağı gösterir. Bağlantıların ilgili düğümler arasındaki bağlantıyı gösterdiği bir grup düğüm ve bağlantı içerir.

Yönlendirilmiş Döngüsel olmayan grafikteki her düğüm rastgele bir değişkeni temsil eder. Değişkenler sürekli veya ayrık değerler olabilir ve verilere verilen gerçek özniteliğe karşılık gelebilir.

Bir Bayes ağı, değişken alt kümeler arasında sınıf koşullu bağımsızlıkların tanımlanmasını sağlar. Uygulamaları gerçekleştireceğiniz ilişkinin grafiksel bir modelini size verir.

DAG dışında, bir Bayes ağı ayrıca bir dizi koşullu olasılık tablosuna sahiptir.

Çözüm

Şimdiye kadar veri madenciliğinde Bayes sınıflandırmasının temellerine aşina olmalısınız. Veri madenciliği uygulamalarının arkasındaki teoremi anlamak, ilerleme kaydetmek için çok önemlidir.

Veri madenciliğinde Bayes sınıflandırması hakkında ne düşünüyorsunuz? Onu uygulamayı denediniz mi? Cevaplarınızı yorumlarda paylaşın. Sizden haber almak isteriz.

Veri bilimi hakkında bilgi edinmek istiyorsanız, IIIT-B & upGrad'ın çalışan profesyoneller için oluşturulan ve 10'dan fazla vaka çalışması ve proje, uygulamalı uygulamalı atölye çalışmaları, endüstri uzmanlarıyla mentorluk sunan Veri Biliminde PG Diplomasına göz atın, 1- endüstri danışmanlarıyla bire bir, en iyi firmalarla 400+ saat öğrenim ve iş yardımı.