ナイーブ ベイズ (DB)

情報一覧

パラメーター	説明
カテゴリー	モデル
データ ソース タイプ	DB
出力を他のオペレーターに送信	はい
データ処理ツール	なし

アルゴリズム

ナイーブ ベイズ分類器は、イベントが発生する確率を計算します。これは、Bayes の定理と予測変数間の強い独立性の仮定を組み合わせたものです。Bayes の定理は、以前のイベントが発生した場合の発生確率を計算します。実際とは関係なく、ナイーブ ベイズ分類器は、結果に対する予測子の影響を独立して考慮します。

• TIBCO Data Science - Team Studio ナイーブ ベイズ オペレーターは、独立性を仮定した ナイーブ ベイズの条件付き確率定理を使用して、従属変数のクラス事前分布と各独立変数の確率分布を計算します。
• サマリーとして、ナイーブ ベイズの条件付き確率定理では、データセット X と結果の仮説 H が与えられた場合、仮説が真である事後確率は次のようになります。尤度に事前確率を掛けた積に比例します。
• 確率モデルの正確な性質に応じて、ナイーブ ベイズ分類器は教師あり学習設定で非常に効率的にトレーニングできます。
• いくつかのデータといくつかの仮説が与えられると、その仮説が真である事後確率は、尤度に事前確率を掛けた積に比例します。
• 簡単にするために、「事前確率」は「事前」と省略され、「事後確率」は「事後」と省略されることがよくあります。
• 尤度はデータの効果をもたらしますが、事前確率はデータが観察される前の仮説の信念を指定します。

より正式には、条件付き確率のベイズの公式は次のように表されます。

、ここで

• P(H|X) は、条件 X が与えられた場合に結果 H が発生する条件付き確率です。
• P(X|H) は、条件 H で結果 X が発生する条件付き確率です。
• P(H) は、結果 H が発生する事前に観測された確率です。
• P(X) は、結果 X が発生する事前に観測された確率です。

この Bayes の公式は、過去のデータから計算できる P(H)、P(X|H)、P(X) から、事後確率 (P(H|X)) を計算する方法を提供するので便利です。

これは、ナイーブ ベイズの条件付き独立性仮定の式です。

特徴が連続値の場合、クラス変数 C にわたる条件付き分布は次のように表されます。

• この式は、各独立変数の値に対する理想的な正規分布曲線を表します。注: ほとんどの独立変数は正確に正規分布を持つ可能性が高いため、これは単純化された仮定です。
• ただし、ナイーブ ベイズ モデルの予測は依然として非常に正確で、許容可能なレベルの信頼性があります。
• ナイーブ ベイズ オペレーターは、2 つ以上の離散カテゴリを持つ従属カラムを受け入れることができます。注: 従属変数が整数値の場合、各整数は別個のカテゴリとして扱われます。
• 独立性の仮定では、すべての予測子または変数が結果に独立して関連しているものとして扱われます。
• ナイーブ ベイズの定理の結果は、その変数に対して発生する可能性のある各カテゴリ値の正規確率曲線を示します。

入力

モデリング用の従属変数と独立変数を含むデータセット。依存カラムはテキスト型である必要があります。数値を使用するには、まず 数値からテキストへ (DB) オペレーターにデータを渡します。

構成

依存カラムはカテゴリカル (非数値) 変数である必要があります。ナイーブ ベイズ分析は、1 つ以上の予測変数に基づいてカテゴリ変数の結果の確率を予測します。カテゴリ変数とは、有効 や 無効など、限られた数の値、レベル、またはカテゴリを取ることができる変数です。

ロジスティック回帰およびデシジョン ツリー分類器とは異なり、ナイーブ ベイズ オペレーターの出力は観測された分類値ごとにイベントの確率を提供するため、ナイーブ ベイズでは予測値の指定は必要ありません。

パラメーター	説明
ノート	このオペレーターのパラメーター設定に関するメモまたは役立つ情報。 [ノート] フィールドに内容を入力すると、オペレーターに黄色のアスタリスクが表示されます。
依存カラム	[依存カラム] は ナイーブ ベイズ分類器に指定する必要があります。予測する従属変数またはクラスを考慮するデータカラムを選択します。 [従属カラム]は、目の色 = 青、緑、茶色などのカテゴリー(非数値) タイプである必要があります。 整数が受け入れられ、各整数はカテゴリとして扱われます。
独立したカラム	回帰分析またはモデルのトレーニングに含める独立変数データカラムを選択します。少なくとも 1 つのカラムまたは 1 つの相互作用変数を指定する必要があります。

出力