Naive Bayes Classfier utiliza dos archivos de tren. Uno se llama archivo de tren positivo y otro se llama archivo de tren negativo. Puede decir también el conjunto de datos de tren negativo y positivo.
Te explicaré con un simple ejemplo.
Suponga que desea clasificar datos utilizando Naive Bayes. Tienes un cubo de frutas. Tienes que clasificar estas frutas en algunas clases. Las clases serán proporcionadas por usted. Clases como (tipo similar de frutas). ¿Cuál será tu aportación?
- Cómo combinar salidas del sistema de recomendación (matriz de elementos de usuario) a través de un conjunto
- ¿Cuál es la diferencia entre una curva ROC y una curva de recuperación de precisión? ¿Cuándo debo usar cada uno?
- ¿Es posible hacer una selección de características para las tareas de regresión por XGBoost?
- ¿Cuáles son algunos documentos de investigación de inicio sobre búsqueda, aprendizaje automático y recuperación de información?
- ¿Cuáles son algunos puntos de referencia significativos descubiertos para el equilibrio de la máquina? (específicamente: clasificación, segmentación y desarrollos de sensores)
OK entonces
Ya sabe por su experiencia (porque desde la infancia estamos aprendiendo sobre las frutas) que si este tipo de características coincidirán, entonces esto es Naranja o si otro tipo de características coincide, entonces esto es manzana. Estas hazañas pueden ser de tamaño, color, forma, etc.
De forma similar, Bayes ingenuo también necesita características (positivas y negativas). En mi ejemplo, sus características positivas serán el tamaño y la forma, y la característica negativa tendrá peso, color, etc. Todo depende de usted. Usando estas características tienes que entrenar tu modelo y luego probar tus datos.
En resumen, debe encontrar las características de sus datos históricos, entrenar algo y probar sus datos.
Este fue un problema simple, pero Naive Bayes puede usarlo por múltiples razones.
Espero que te ayude 🙂
