Classificateurs naïfs de Bayes
Les classificateurs naïfs de Bayes, en machine learning constituent une famille de " classificateurs probabilistes " simples basés sur l'application du théorème de Bayes avec des hypothèses d’indépendance fortes (naïves) entre les caractéristiques.
Naïve Bayes a fait l’objet de nombreuses études depuis les années 1960.
Il a été introduit (mais pas sous ce nom) dans la recherche de texte communautaire au début des années 1960, et reste une popula méthode r (de base) pour la catégorisation de textes, le problème de juger des documents comme appartenant à une catégorie ou l'autre (comme le spam ou légitim mangé, le sport ou la politique, etc.) avec des fréquences de mots que les caractéristiques. Avec un prétraitement approprié, il est compétitif dans ce domaine avec des méthodes plus avancées, y compris des machines à vecteurs de support.
Il trouve également une application dans le diagnostic médical automatique.
Les classificateurs Naïve Bayes sont très évolutifs et nécessitent une multitude de paramètres linéaires dans le nombre de variables (caractéristiques / prédicteurs) dans un problème d'apprentissage. Maximum de vraisemblance formation peut se faire par eval uating une expression forme fermée, qui prend le temps linéaire, plutôt que par coûteux approximation itérative tel qu'il est utilisé pour de nombreux autres types de classificateurs.
