Naive-Bayes-Klassifikation

Die Beziehung \hat{y}=\arg\max_y P(y)\prod_{i=1}^{d}P(x_i\mid y) fasst Naive Bayes wählt die Klasse mit der größten posterioren Wahrscheinlichkeit unter der Annahme bedingter Unabhängigkeit der Merkmale gegeben die Klasse. zusammen. Lies sie als Modell für klar definierte Größen, nicht als automatische Aussage über jede reale Situation. Im Beispiel Für x₁=1,x₂=0 seien P(A)=P(B)=0,5, P(x₁=1|A)=0,8, P(x₂=0|A)=0,25, P(x₁=1|B)=0,3 und P(x₂=0|B)=0,9. Unnormierte Scores sind A:0,1 und B:0,135; normiert P(A|x)≈0,426, P(B|x)≈0,574. Vorhersage ist B. werden die Symbole mit konkreten Werten verbunden und das Ergebnis wird fachlich interpretiert. Gültigkeitsgrenze: Bayes’ Regel erlaubt für die Klassifikation, den gemeinsamen Evidenznenner wegzulassen, da er für alle Klassen gleich ist. Die naive Annahme lautet, Merkmale seien bedingt auf y unabhängig; reale Daten erfüllen Quelle: scikit-learn User Guide, §1.9 Naive Bayes: conditional-independence assumption and classification rule.

Schreibe zuerst die gesuchte Größe und alle gegebenen Werte mit ihren Bezeichnungen auf. Setze sie in \hat{y}=\arg\max_y P(y)\prod_{i=1}^{d}P(x_i\mid y) ein und prüfe, ob die Einheiten zusammenpassen. Das Beispiel Für x₁=1,x₂=0 seien P(A)=P(B)=0,5, P(x₁=1|A)=0,8, P(x₂=0|A)=0,25, P(x₁=1|B)=0,3 und P(x₂=0|B)=0,9. Unnormierte Scores sind A:0,1 und B:0,135; normiert P(A|x)≈0,426, P(B|x)≈0,574. Vorhersage ist B. liefert eine Rechenprobe: Werte Formel und Ergebnis müssen dieselbe Größenordnung und Bedeutung ergeben; runde erst am Ende. Gültigkeitsgrenze: Bayes’ Regel erlaubt für die Klassifikation, den gemeinsamen Evidenznenner wegzulassen, da er für alle Klassen gleich ist. Die naive Annahme lautet, Merkmale seien bedingt auf y unabhängig; reale Daten erfüllen Quelle: scikit-learn User Guide, §1.9 Naive Bayes: conditional-independence assumption and classification rule.

Die Formel gilt nur, wenn die Größen so definiert sind wie in der Quelle und im Hintergrundtext. Prüfe insbesondere Randfälle, Messbedingungen und ob ein Näherungszeichen statt Gleichheit gemeint ist. Ein formal korrektes Einsetzen kann trotzdem fachlich falsch sein, wenn diese Voraussetzungen verletzt werden oder die betrachtete Population beziehungsweise Systemgrenze wechselt. Gültigkeitsgrenze: Bayes’ Regel erlaubt für die Klassifikation, den gemeinsamen Evidenznenner wegzulassen, da er für alle Klassen gleich ist. Die naive Annahme lautet, Merkmale seien bedingt auf y unabhängig; reale Daten erfüllen Quelle: scikit-learn User Guide, §1.9 Naive Bayes: conditional-independence assumption and classification rule.

Die angegebene Einheit lautet: Wahrscheinlichkeiten dimensionslos zwischen 0 und 1; Produkt und Posterior dimensionslos. Vor dem Einsetzen müssen alle Werte auf ein konsistentes Einheitensystem gebracht werden; Anzahlen, Prozentangaben und dimensionslose Verhältnisse sind dabei nicht austauschbar. Die Variablenliste benennt die Rolle jedes Symbols. Einheitenkontrolle erkennt viele Fehler, ersetzt aber nicht die Prüfung, ob die Formelannahmen erfüllt sind. Gültigkeitsgrenze: Bayes’ Regel erlaubt für die Klassifikation, den gemeinsamen Evidenznenner wegzulassen, da er für alle Klassen gleich ist. Die naive Annahme lautet, Merkmale seien bedingt auf y unabhängig; reale Daten erfüllen Quelle: scikit-learn User Guide, §1.9 Naive Bayes: conditional-independence assumption and classification rule.

Ein Vergleich hilft, wenn beide Größen dieselbe Aufgabe beantworten, aber unterschiedliche Eigenschaften betonen. Berichte Definition, Eingabedaten, Schwelle oder Aggregation zusammen mit dem Zahlenwert. Die Quelle scikit-learn User Guide, §1.9 Naive Bayes: conditional-independence assumption and classification rule. stützt die hier verwendete Definition; bei anderen Konventionen können Ergebnisse abweichen. Verwende die Kennzahl deshalb passend zum konkreten Lern- oder Analyseziel. Gültigkeitsgrenze: Bayes’ Regel erlaubt für die Klassifikation, den gemeinsamen Evidenznenner wegzulassen, da er für alle Klassen gleich ist. Die naive Annahme lautet, Merkmale seien bedingt auf y unabhängig; reale Daten erfüllen Quelle: scikit-learn User Guide, §1.9 Naive Bayes: conditional-independence assumption and classification rule.