UK 
EnglishТипова
Polski📊 Наївний баєсів класифікатор — імовірнісне рішення
Класифікуйте 2D точки гаусовим наївним Баєсом: оцініть середні та дисперсії для кожного класу, застосуйте правило Баєса за припущенням незалежності та відмалюйте апостеріорну межу рішення.
Про цю симуляцію
Ця симуляція показує, як гаусів наївний баєсів класифікатор навчається розділяти точки на 2 або 3 класи. Для кожного класу він обчислює середнє та дисперсію вздовж осей x і y на основі наданих вами точок, розглядаючи обидві осі як умовно незалежні за умови класу — це і є «наївне» припущення. Потім кожен піксель зафарбовується кольором того класу, який має найвищу апостеріорну ймовірність за правилом Баєса, а інтенсивність кольору показує впевненість моделі, тоді як показник точності в реальному часі відстежує, наскільки добре підігнана модель перекласифіковує власні навчальні точки.
🔬 Що це показує
Поверхню рішення, побудовану з гаусіан для кожного класу. Кожен клас отримує маркер середнього значення та еліпс одного стандартного відхилення, обчислений за його точками; кольоровий фон — це область argmax апостеріорної ймовірності для кожного пікселя, і оскільки кожен клас може мати власну дисперсію, межа між класами є кривою, а не прямою лінією.
🎮 Як користуватися
Оберіть пресет (2 плями, 3 плями або Перекриття) або клацніть на полотні, щоб додати власні точки до обраного класу за допомогою кнопок класів. Використовуйте повзунок Класи, щоб перемикатися між 2 та 3 категоріями, потім натисніть Підігнати модель, щоб переобчислити гаусіани та межу рішення, Очистити точки, щоб почати з порожнього полотна, або Скинути, щоб перезавантажити поточний пресет.
💡 А чи знали ви?
Наївний баєсів класифікатор припускає незалежність ознак за умови класу, навіть коли це не так, — наприклад, зріст і вага насправді корельовані, — проте на практиці класифікатор часто все одно є точним, а його швидкість і простота є причинами, чому він залишається поширеним базовим рішенням для класифікації тексту та спаму.
Поширені запитання
Що таке наївний баєсів класифікатор?
Наївний баєсів класифікатор приписує кожну точку до класу з найвищою апостеріорною ймовірністю, яка обчислюється за правилом Баєса як пропорційна до апріорної ймовірності класу, помноженої на правдоподібність ознак точки за умови цього класу. Його називають «наївним», бо він припускає умовну незалежність ознак за умови класу, що спрощує правдоподібність до добутку ймовірностей окремих ознак.
Як ця симуляція оцінює ймовірності?
Для кожного класу вона обчислює середнє та дисперсію координат x та y його точок, а потім моделює кожну вісь як незалежний гаусів розподіл. Апріорна ймовірність класу — це просто частка всіх точок, що належать цьому класу. Множення апріорної ймовірності на дві гаусові правдоподібності дає (ненормовану) апостеріорну ймовірність, що використовується для класифікації будь-якого положення.
Чому межа рішення викривлена, а не пряма?
Коли класи мають різні дисперсії, гаусові доданки правдоподібності не скорочуються лінійно, тож межа argmax апостеріорної ймовірності стає кривою, зазвичай у формі параболи або дуги еліпса. Ця квадратична межа — характерна риса гаусового наївного Баєса, і її видно в симуляції щоразу, коли розкид класів різний, наприклад у пресеті Перекриття.
Що означає відсоток точності?
Після натискання Підігнати модель симуляція перекласифіковує кожну навчальну точку за допомогою підігнаних гаусіан і показує частку точок, що повертаються до свого початкового класу. Це точність на навчальних даних, а не точність на нових, не бачених раніше даних, тож вона переважно показує, наскільки добре поточна гаусова модель розділяє намальовані вами класи.
Чи можна додати більше ніж 3 класи або намалювати власні дані?
Повзунок Класи підтримує 2 або 3 категорії, і ви завжди можете клацнути будь-де на полотні, щоб додати точку до класу, обраного в перемикачі класів. Це дозволяє будувати власні, можливо перекриті або неправильної форми розподіли й спостерігати, як підігнані гаусіани та межа рішення адаптуються після натискання Підігнати модель.