पायथन सरल बेयर्स अनुप्रयोग

बेयर्स के प्रमेय के अनुसार, एक प्रकार का बेयर्स वर्गीकरण किया जा सकता है, जो कि भविष्यवाणी करने वाले चरों के बीच पारस्परिक रूप से स्वतंत्र है। सरल शब्दों में, एक बेयर्स वर्गीकरण करने वाला बेयर्स वर्गीकरण करने वाले के लिए एक विशेषता का अनुमान लगाता है जो उस वर्गीकरण के अन्य गुणों से संबंधित नहीं है। उदाहरण के लिए, यदि एक फल गोल और लाल है, और इसका व्यास लगभग 3 इंच है, तो यह फल शायद एक सेब है। भले ही ये गुण एक दूसरे पर निर्भर हों, या अन्य गुणों के अस्तित्व पर निर्भर हों, बेयर्स वर्गीकरण करने वाला बेयर्स वर्गीकरण करने वाले को यह अनुमान लगाना चाहिए कि ये विशेषताएं अलग-अलग से संकेत देती हैं कि यह फल एक सेब है।

• सरल बेयर्स मॉडल का निर्माण करना आसान है और बड़े डेटासेट के लिए बहुत उपयोगी है। हालांकि सरल, लेकिन सरल बेयर्स का प्रदर्शन बहुत जटिल वर्गीकरण विधियों से परे है।

  बेयज़ की प्रमेय P©, P (x) और P (x) के बाद होने वाले प्रयोग की संभावना P (c) के लिए एक विधि प्रदान करती है। निम्नलिखित समीकरण देखेंः

  

  यहाँ,

  P (c) x (c) एक ज्ञात पूर्वानुमान चर (attributes) के आधार पर वर्ग (targets) के बाद की संभावना है। P© वर्ग के पूर्वानुमान की संभावना है P (x) c संभावना है, यानी ज्ञात वर्ग के आधार पर, एक पूर्वानुमानित चर की संभावना है। P ((x) पूर्वानुमानित चर की पूर्वानुमानित संभावना है उदाहरण: आइए इस अवधारणा को एक उदाहरण के साथ समझें. नीचे, मेरे पास मौसम के लिए एक प्रशिक्षण सेट और संबंधित लक्ष्य चर हैं। अब, हमें उन प्रतिभागियों को वर्गीकृत करने की आवश्यकता है जो मौसम की स्थिति के आधार पर खेलते हैं और नहीं खेलते हैं। आइए निम्नलिखित चरणों को करें।

  चरण 1: डेटासेट को आवृत्ति तालिका में परिवर्तित करें।

  चरण 2: एक संभावना तालिका बनाने के लिए एक संभावना तालिका का उपयोग करें, जैसे कि 0.29 की संभावना पर ओवरकास्ट, 0.64 की संभावना पर खेलना।

  

  चरण 3: अब, प्रत्येक श्रेणी के लिए बाद की संभावनाओं को सरल बेयर्स समीकरणों का उपयोग करके गणना करें; सबसे अधिक बाद की संभावनाओं वाली श्रेणी भविष्यवाणियों के परिणाम हैं।

  प्रश्नः अगर मौसम अच्छा है तो प्रतिभागी खेल सकते हैं। क्या यह कथन सही है?

  हम इस समस्या को हल करने के लिए पहले से ही चर्चा की गई विधि का उपयोग कर सकते हैं। तो P (खेल) = P (खेल) * P (खेल) / P (खेल)

  हमारे पास पी (खेल) है 3/9 = 0.33, पी (खेल) = 5/14 = 0.36, पी (खेल) = 9/14 = 0.64

  अब, पी (खेलेंगे) = 0.33 गुना 0.64 / 0.36 = 0.60, और अधिक संभावना है।

  सरल बेयर्स एक समान विधि का उपयोग करता है, जो विभिन्न श्रेणियों की संभावनाओं को विभिन्न गुणों के माध्यम से भविष्यवाणी करता है। यह एल्गोरिथ्म आमतौर पर पाठ वर्गीकरण के लिए उपयोग किया जाता है, साथ ही कई श्रेणियों से संबंधित समस्याओं के लिए भी प्रयोग किया जाता है।

• पायथन कोडः

#आयात पुस्तकालय sklearn.naive_bayes से GaussianNB आयात करें # मान लीजिए कि आपके पास है, एक्स (पूर्वानुमान) और वाई (लक्ष्य) प्रशिक्षण डेटा सेट के लिए और x_test(पूर्वानुमान) परीक्षण_डेटासेट के

एसवीएम वर्गीकरण ऑब्जेक्ट मॉडल बनाएं = GaussianNB()

बहुपद वर्गों के लिए एक और वितरण है जैसे कि बर्नौली, बेयर्स, संदर्भ लिंक

प्रशिक्षण सेट का उपयोग करके मॉडल को प्रशिक्षित करें और स्कोर की जांच करें

model.fit(एक्स, वाई) #अनुमानित आउटपुट predicted= model.predict ((x_test)