Naive Bayes е семейство от прости методи за класификация, основани на теоремата на Бейс. Наричат се „наивни“, защото допускат, че всички признаци са независими един от друг, което на практика рядко е вярно, но често все пак дава добри резултати. Методите са бързи, изискват малко данни за обучение и са особено подходящи за текст. Класически пример е спам филтърът, който сортира имейлите по типични думи.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоКласификаторът е модел или метод, който отнася входните данни към една от няколко предварително определени категории. Класическите варианти като дърветата на решенията или наивния Байес се обучават върху анотирани примери; езиковите модели могат да сортират текстове и въз основа на описание на категориите. Типични приложения са откриването на спам, сортирането на запитвания на клиенти по теми и категоризирането на разписки. Качеството се измерва с метрики като точност, прецизност и обхват.
Класификацията на текст автоматично отнася текстовете към предварително определени категории, например имейли по вид запитване, отзиви по настроение или документи по тема. Преди това за целта се налагаше да се обучават специални модели върху примери с етикети; днес големите езикови модели често могат да определят категориите само по описание. Така е възможно запитванията да се сортират предварително и да се насочват по-бързо към правилния екип.
Логистичната регресия е статистически метод, който прогнозира вероятността за един от два резултата, като „купува“ или „не купува“. Тя претегля входните признаци и превръща сбора им в стойност между 0 и 1 чрез S-образна функция. Тъй като теглата се тълкуват лесно, методът се използва широко в кредитното оценяване, медицината и маркетинга, често като солидна базова линия за по-сложни модели.
Бейсовите мрежи са графични модели, които представят променливите като възли, а вероятностните зависимости между тях – като насочени стрелки. С помощта на теоремата на Бейс те показват как новите наблюдения променят вероятността на други събития. Един пример е диагностичната подкрепа: оценяване на най-вероятната причина въз основа на наблюдавани симптоми. Силните им страни са прозрачността и способността да работят с несигурни или непълни данни.
