Naivni Bayes in uporaba zveznih atributov

author: Martin Žnidaršič, Faculty of Computer and Information Science, University of Ljubljana
published: Feb. 25, 2007,   recorded: June 2003,   views: 120

Related content

Report a problem or upload files

If you have found a problem with this lecture or would like to send us extra material, articles, exercises, etc., please use our ticket system to describe your request and upload the data.
Enter your e-mail into the 'Cc' field, and we will keep you updated with your request's status.
Lecture popularity: You need to login to cast your vote.
  Delicious Bibliography

Description

Naivna Bayesova metoda je ena najpogosteje uporabljenih metod strojnega učenja. Odlikuje jo enostavnost uporabe, robustnost in hitrost. Večji pomanjkljivosti metode sta naivnost (predpostavka o neodvisnosti atributov) in težave pri uporabi zveznih atributov. Metoda temelji na oceni pogojnih verjetnosti, ki jih enostano izračunamo za nominalne atribute, pri zveznih atributih pa se večinoma uporablja kategorizacija (diskretizacija) zveznih atributov. Kategorizacija ima precej nezaželenih lastnosti, zato so bile predlagane tudi metode, ki neposredno ocenijo pogojne verjetnosti za zvezne atribute. Predstavil bom nekaj metod (in predlaganih različic), ki pripadajo različnim pristopom k oceni pogojnih verjetnosti za zvezne atribute. Najbolj znana je verjetno mehka diskretizacija, ki doseže zvezne prehode med intervali s tem, da primere probabilistično pripiše vsem intervalom. Zanimiva je tudi družina metod, ki pogojne verjetnosti oceni na podlagi modela funkcije gostote pogojne verjetnosti. Najnovejši predlog pa predvideva uporabo lokalne regresije. Razložene bodo lastnosti metod, opažene težave pri uporabi, predlagane izboljšave, podanih bo tudi nekaj nasvetov za izbiro problemu primerne metode.

Link this page

Would you like to put a link to this lecture on your homepage?
Go ahead! Copy the HTML snippet !

Write your own review or comment:

make sure you have javascript enabled or clear this field: