Aquí, Naïve Bayes es un algoritmo de clasificación. Está tratando de predecir un valor (probabilidad de ser spam) en términos de otros valores: longitud, hora del día, presencia de algunas palabras clave, etc. El modelo aquí dice que 1 valor (probabilidad de spam) depende de N otros valores.
Por lo tanto, trazar estos correos electrónicos realmente significa trazar puntos en un gráfico dimensional N + 1. ¡Para N> 2 eso es bastante difícil! Aquí parece que quieres trabajar en 2D. Por lo tanto, debe elegir 1 de las características en su modelo de clasificador para representar gráficamente frente a la probabilidad de spam. ¿Cuál elegir? bueno, depende de tu modelo. ¿Cuales son las opciones? Idealmente, elige la característica más explicativa.
¿Está preguntando qué características pueden explicar el correo electrónico no deseado?
- Cómo usar el aprendizaje automático para identificar patrones en la trama de series de tiempo
- ¿Cómo se entrenan las redes neuronales de factor latente?
- Aprendizaje automático: ¿qué significa "abandono en el cerebro con respecto a todas las entradas, mientras que abandono en una red convolucional funciona con respecto a cada unidad individual"?
- ¿Debo saber Python y R para aprender Machine Learning?
- ¿Qué tipo de aumento de datos se puede usar para imágenes médicas?
Convencionalmente, el eje x es la variable independiente y el eje y es la variable dependiente. La probabilidad de spam debe estar en el eje y.
