Comprender estadísticas con la probabilidad del clasificador de Bayes ingenuo
El-Naive-Bayes-Classifier-es-un-algoritmo-popular-de-aprendizaje-automático-utilizado-para-tareas-de-clasificación.-Se-basa-en-el-Teorema-de-Bayes-y-funciona-particularmente-bien-con-grandes-conjuntos-de-datos.-A-pesar-de-su-simplicidad,-ha-demostrado-ser-efectivo-en-varios-escenarios-de-la-vida-real,-incluyendo-el-filtrado-de-spam,-el-análisis-de-sentimientos-y-los-sistemas-de-recomendación.-Este-artículo-desglosará-la-fórmula-del-Naive-Bayes-Classifier,-explicará-sus-entradas-y-salidas,-y-proporcionará-ejemplos-prácticos-para-que-todo-se-junte. La-fórmula-del-Naive-Bayes-Classifier-se-puede-describir-como: donde: Exploremos-cada-componente-con-más-detalle: Esta-es-la-probabilidad-de-que-una-clase-específica-sea-verdadera-dadas-las-características-de-entrada.-Por-ejemplo,-si-estás-clasificando-correos-electrónicos-como-spam-o-no-spam,- Esta-es-la-probabilidad-de-que-las-características-de-entrada-sean-verdaderas-dada-una-clase-específica.-Por-ejemplo,-¿cuál-es-la-probabilidad-de-encontrar-ciertas-palabras-dado-que-un-correo-electrónico-es-spam? Esto-refleja-la-probabilidad-de-que-cada-clase-ocurra-en-el-conjunto-de-datos.-En-nuestro-ejemplo-de-correo-electrónico,-esto-podría-ser-la-proporción-de-correos-electrónicos-de-spam-en-todo-tu-conjunto-de-datos-de-correos-electrónicos. La-probabilidad-general-de-que-ocurran-las-características-de-entrada.-En-problemas-de-clasificación,-esto-actúa-como-una-constante-de-normalización. Supongamos-que-queremos-clasificar-correos-electrónicos-como-'spam'-o-'no-spam'-según-su-contenido.-Imagina-un-escenario-simple-con-solo-dos-palabras,-"buy"-y-"cheap".-Queremos-usar-Naive-Bayes-para-clasificar-un-correo-electrónico-que-contenga-estas-palabras. Usaremos-las-siguientes-probabilidades: Para-clasificar-un-correo-electrónico-que-contenga-"buy"-y-"cheap"-como-'spam'-o-'no-spam',-calculamos: Paso-1:-Calcular-la-probabilidad-para-la-clase-'spam'. Insertando-los-números-obtenemos: Paso-2:-Calcular-la-probabilidad-para-la-clase-'no-spam'. Sustituyendo-los-valores,-obtenemos: Por-lo-tanto,-las-probabilidades-finales-se-convierten-en: Comparando-estos-valores,-concluimos-que-el-correo-electrónico-es-mucho-más-probable-de-ser-clasificado-como-'spam'. Al-implementar-esta-fórmula-en-escenarios-de-la-vida-real,-asegúrate-de-que-tus-probabilidades-estén-correctamente-normalizadas-y-que-los-valores-de-entrada-sean-probabilidades-válidas-(es-decir,-entre-0-y-1).-Todas-las-entradas-deben-ser-mayores-que-cero,-ya-que-las-probabilidades-de-cero-pueden-conducir-a-un-comportamiento-indefinido. Los-clasificadores-Naive-Bayes-funcionan-bien-en-varios-escenarios-de-la-vida-real,-como-la-detección-de-spam,-el-análisis-de-sentimientos-y-los-sistemas-de-recomendación-debido-a-su-simplicidad-y-alta-eficiencia. El-modelo-asume-que-todos-los-predictores-(características)-son-independientes,-lo-cual-rara-vez-es-cierto-en-escenarios-de-la-vida-real.-Sin-embargo,-aún-funciona-bien-en-la-práctica. Para-datos-continuos,-el-Naive-Bayes-generalmente-asume-que-estas-características-siguen-una-distribución-gaussiana-y-utiliza-Gaussian-Naive-Bayes-para-manejar-tales-escenarios. El-Naive-Bayes-Classifier-es-una-herramienta-poderosa-pero-simple-para-tareas-de-clasificación.-Al-aprovechar-las-probabilidades-y-el-principio-de-inferencia-bayesiana,-puede-categorizar datos de manera efectiva basándose en características de entrada. Recuerda, aunque el clasificador asume la independencia de las características, a menudo funciona excepcionalmente bien en diversas aplicaciones.Estadísticas-Naive-Bayes-Classifier-Probabilidad
Entendiendo-la-Fórmula
P(C|X)-=-[P(X|C)-*-P(C)]-/-P(X)Desglose-Detallado-de-Entradas-y-Salidas
P(C|X)-Probabilidad-Posterior
P(C|X)-sería-la-probabilidad-de-que-un-correo-electrónico-sea-spam-dada-la-presencia-de-ciertas-palabras.P(X|C)-Probabilidad
P(C)-Probabilidad-Previa
P(X)-Evidencia
Ejemplo-Práctico
P(spam)-=-0.4-(el-40%-de-los-correos-electrónicos-son-spam)P(not-spam)-=-0.6-(el-60%-de-los-correos-electrónicos-no-son-spam)P("buy"|spam)-=-0.1-(el-10%-de-los-correos-electrónicos-spam-contienen-"buy")P("cheap"|spam)-=-0.05-(el-5%-de-los-correos-electrónicos-spam-contienen-"cheap")P("buy"|not-spam)-=-0.01-(el-1%-de-los-correos-electrónicos-no-spam-contienen-"buy")P("cheap"|not-spam)-=-0.001-(el-0.1%-de-los-correos-electrónicos-no-spam-contienen-"cheap")P(spam|"buy",-"cheap")-=-(P("buy"|spam)-*-P("cheap"|spam)-*-P(spam))-/-P("buy"-y-"cheap")P(spam|"buy",-"cheap")-=-(0.1-*-0.05-*-0.4)-/-P("buy"-y-"cheap")-=-0.002-/-P("buy"-y-"cheap")P(not-spam|"buy",-"cheap")-=-(P("buy"|not-spam)-*-P("cheap"|not-spam)-*-P(not-spam))-/-P("buy"-y-"cheap")P(not-spam|"buy",-"cheap")-=-(0.01-*-0.001-*-0.6)-/-P("buy"-y-"cheap")-=-0.000006-/-P("buy"-y-"cheap")P(spam|"buy",-"cheap")-=-0.002P(not-spam|"buy",-"cheap")-=-0.000006Validación-de-Datos
Preguntas-Frecuentes
¿Para-qué-sirve-el-Naive-Bayes-Classifier?
¿Cuáles-son-las-limitaciones-del-Naive-Bayes?
¿Cómo-maneja-el-Naive-Bayes-los-datos-continuos?
Resumen