Metody bayesowskie

Nadzorowane uczenie maszynowe w R: Klasyfikacja

Brett Lantz

Instructor

Szacowanie prawdopodobieństwa

Mapa lokalizacji

Prawdopodobieństwo zdarzenia A oznaczamy P(A)

  • P(praca) = 23 / 40 = 57,5%
  • P(sklep) = 4 / 40 = 10,0%
Nadzorowane uczenie maszynowe w R: Klasyfikacja

Prawdopodobieństwo łączne i zdarzenia niezależne

Diagramy Venna

Prawdopodobieństwo łączne zdarzeń A i B oznaczamy P(A i B)

  • P(praca i wieczór) = 1%
  • P(praca i południe) = 20%
Nadzorowane uczenie maszynowe w R: Klasyfikacja

Prawdopodobieństwo warunkowe i zdarzenia zależne

Diagramy Venna

Prawdopodobieństwo warunkowe zdarzeń A i B oznaczamy P(A | B)

  • P(A | B) = P(A i B) / P(B)
  • P(praca | wieczór) = 1 / 25 = 4%
  • P(praca | południe) = 20 / 25 = 80%
Nadzorowane uczenie maszynowe w R: Klasyfikacja

Przewidywania z Naive Bayes

# building a Naive Bayes model
library(naivebayes)
m <- naive_bayes(location ~ time_of_day, data = location_history)

# making predictions with Naive Bayes
future_location <- predict(m, future_conditions)
Nadzorowane uczenie maszynowe w R: Klasyfikacja

Czas na ćwiczenia!

Nadzorowane uczenie maszynowe w R: Klasyfikacja

Preparing Video For Download...