Naive Bayes ist eine Familie einfacher Klassifikationsverfahren, die auf dem Satz von Bayes beruhen. „Naiv“ heißen sie, weil sie annehmen, dass alle Merkmale unabhängig voneinander sind, was in der Praxis selten zutrifft, aber oft trotzdem gute Ergebnisse liefert. Die Verfahren sind schnell, brauchen wenig Trainingsdaten und eignen sich besonders für Texte. Klassisches Beispiel ist der Spamfilter, der anhand typischer Wörter E-Mails einordnet.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenEin Klassifizierer ist ein Modell oder Verfahren, das Eingaben einer von mehreren festgelegten Kategorien zuordnet. Klassische Varianten werden mit beschrifteten Beispielen trainiert, etwa Entscheidungsbäume oder Naive Bayes; Sprachmodelle können Texte auch anhand einer Beschreibung der Kategorien einordnen. Typische Einsätze sind Spam-Erkennung, das Sortieren von Kundenanfragen nach Thema oder die Einstufung von Belegen. Die Qualität wird mit Kennzahlen wie Genauigkeit, Präzision und Recall gemessen.
Textklassifikation ordnet Texte automatisch vorgegebenen Kategorien zu, etwa E-Mails nach Anliegen, Bewertungen nach Stimmung oder Dokumente nach Thema. Früher wurden dafür eigene Modelle mit markierten Beispielen trainiert; heute können große Sprachmodelle viele Kategorien schon anhand einer Beschreibung zuordnen. So lassen sich Anfragen vorsortieren und schneller an die richtige Stelle weiterleiten.
Die logistische Regression ist ein statistisches Verfahren, das die Wahrscheinlichkeit für eines von zwei Ergebnissen vorhersagt, etwa „kauft“ oder „kauft nicht“. Sie gewichtet Eingangsmerkmale und wandelt die Summe über eine S-förmige Funktion in einen Wert zwischen 0 und 1 um. Weil die Gewichte gut interpretierbar sind, wird sie häufig in Kreditprüfung, Medizin und Marketing eingesetzt, oft als solide Vergleichsbasis für komplexere Modelle.
Bayessche Netzwerke sind grafische Modelle, die Variablen als Knoten und ihre Wahrscheinlichkeitsabhängigkeiten als gerichtete Pfeile darstellen. Mit dem Satz von Bayes lässt sich daraus berechnen, wie sich neue Beobachtungen auf die Wahrscheinlichkeit anderer Ereignisse auswirken. Ein Beispiel ist die Diagnoseunterstützung: Aus beobachteten Symptomen wird abgeschätzt, welche Ursache am wahrscheinlichsten ist. Vorteile sind Nachvollziehbarkeit und der Umgang mit unsicheren oder lückenhaften Daten.
