Inhaltsverzeichnis:
Definition - Was bedeutet Naive Bayes?
Ein naiver Bayes-Klassifikator ist ein Algorithmus, der den Bayes-Satz zur Klassifizierung von Objekten verwendet. Naive Bayes-Klassifikatoren gehen von einer starken oder naiven Unabhängigkeit zwischen den Attributen von Datenpunkten aus. Zu den beliebten Anwendungen naiver Bayes-Klassifikatoren gehören Spam-Filter, Textanalyse und medizinische Diagnose. Diese Klassifikatoren werden häufig für maschinelles Lernen verwendet, da sie einfach zu implementieren sind.
Naive Bayes wird auch als simple Bayes oder Independence Bayes bezeichnet.
Techopedia erklärt Naive Bayes
Ein naiver Bayes-Klassifikator verwendet die Wahrscheinlichkeitstheorie, um Daten zu klassifizieren. Naive Bayes-Klassifikatoralgorithmen verwenden den Bayes-Satz. Die wichtigste Erkenntnis des Bayes-Theorems ist, dass die Wahrscheinlichkeit eines Ereignisses angepasst werden kann, wenn neue Daten eingeführt werden.
Was einen naiven Bayes-Klassifikator naiv macht, ist die Annahme, dass alle Attribute eines betrachteten Datenpunkts unabhängig voneinander sind. Ein Klassifikator, der Früchte in Äpfel und Orangen sortiert, würde wissen, dass Äpfel rot, rund und von einer bestimmten Größe sind, aber nicht alle diese Dinge auf einmal annehmen. Schließlich sind auch Orangen rund.
Ein naiver Bayes-Klassifikator ist kein einzelner Algorithmus, sondern eine Familie von Algorithmen für maschinelles Lernen, die von der statistischen Unabhängigkeit Gebrauch machen. Diese Algorithmen sind relativ einfach zu schreiben und effizienter auszuführen als komplexere Bayes-Algorithmen.
Die beliebteste Anwendung sind Spamfilter. Ein Spam-Filter durchsucht E-Mails nach bestimmten Schlüsselwörtern und legt sie in einem Spam-Ordner ab, wenn sie übereinstimmen.
Trotz des Namens wird ein naiver Bayes-Klassifikator umso genauer, je mehr Daten er erhält, z. B. wenn ein Benutzer E-Mail-Nachrichten in einem Posteingang auf Spam hinweist.
