الگوریتم Naive Bayes

الگوریتم Naive Bayes

الگوریتم naive bayes‌، یک روش دسته‌بندی (Classification) بر پایه قضیه بیز (Bayes’ Theorem) است. این روش فرض می‌کند که بین پیش‌بین‌ها (Predictors) استقلال وجود دارد.

الگوریتم Naive Bayes

در واقع، یک دسته‌بندی نایو بیز فرض می‌کند که یک ویژگی در یک کلاس، نامرتبط به دیگر موارد است. به عنوان مثال یک میوه را می‌توان در نظر گرفت. این میوه اگر گرد، قرمز و دارای شش سانتی‌متر قطر باشد سیب است. یک دسته‌بند (Classifier) نایو بیز چنین در نظر می‌گیرد که این مشخصه‌ها به طور مستقل در احتمال سیب بودن میوه مشارکت دارند. این مساله حتی در صورت وابسته بودن ویژگی‌ها به یکدیگر نیز صادق است. برای هر مجموعه داده بزرگی، ساخت یک مدل نایو بیز آسان است. نه تنها این مدل بسیار ساده است، بلکه بهتر از بسیاری از روش‌های پیچیده دسته‌بندی کار می‌کند.

برای پیاده‌سازی این الگوریتم در پایتون از دستورات زیر استفاده می‌کنیم:

from sklearn.naive_bayes import GaussianNB
 from sklearn.naive_bayes import MultinomialNB
 from sklearn import datasets
 from sklearn.metrics import confusion_matrix
 from sklearn.model_selection import train_test_split
 iris=datasets.load_iris()
 x=iris.data
 y=iris.target
 x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=0)
 gnb=GaussianNB()
 mnb=MultinomialNB()
 y_pred_gnb=gnb.fit(x_train,y_train).predict(x_test)
 cnf_matrix_gnb = confusion_matrix(y_test, y_pred_gnb)
 cnf_matrix_gnb
array([[16, 0, 0],
[ ۰, ۱۸, ۰],
[ ۰, ۰, ۱۱]], dtype=int64)
y_pred_mnb = mnb.fit(x_train, y_train).predict(x_test)
 cnf_matrix_mnb = confusion_matrix(y_test, y_pred_mnb)
cnf_matrix_mnb
array([[16, 0, 0],
[ ۰, ۰, ۱۸],
[ ۰, ۰, ۱۱]], dtype=int64)

در ارتباط با شاخه‌های مختلف هوش مصنوعی در این لینک بیش‌تر بخوانید.