Naiivne Bayesi klassifikaator on lihtsate klassifitseerimismeetodite perekond, mis põhineb Bayesi teoreemil. Neid nimetatakse „naiivseks“, sest need eeldavad, et kõik tunnused on üksteisest sõltumatud, mis praktikas vastab harva tõele, kuid annab sageli siiski häid tulemusi. Meetodid on kiired, vajavad vähe treeningandmeid ning sobivad eriti hästi tekstide jaoks. Klassikaline näide on rämpspostifilter, mis sorteerib e-kirju tüüpiliste sõnade põhjal.
Klassifikaator on mudel või meetod, mis määrab sisendid ühte mitmest etteantud kategooriast. Klassikalisi variante, nagu otsustuspuud või naiivne Bayes, treenitakse märgendatud näidetega; keelemudelid saavad tekste sorteerida ka kategooriate kirjelduse põhjal. Tüüpilised kasutusalad on rämpsposti tuvastamine, klienditaotluste sorteerimine teemade kaupa ja kviitungite kategoriseerimine. Kvaliteeti mõõdetakse selliste mõõdikutega nagu täpsus (accuracy), täpsus (precision) ja saagis (recall).
Teksti klassifitseerimine määrab tekstid automaatselt ette antud kategooriatesse, näiteks e-kirjad päringu tüübi, ülevaated meelestatuse või dokumendid teema järgi. Varem nõudis see spetsiaalsete mudelite treenimist märgendatud näidetel; tänapäeval suudavad suured keelemudelid sageli kategooriad määrata ainult kirjelduse põhjal. See võimaldab päringuid eelsortida ja suunata kiiremini õigele tiimile.
Logistiline regressioon on statistiline meetod, mis ennustab ühe kahest tulemusest tõenäosust, näiteks „ostab“ või „ei osta“. See kaalub sisendtunnuseid ja teisendab nende summa S-kujulise funktsiooni abil väärtuseks vahemikus 0 kuni 1. Kuna kaale on lihtne tõlgendada, kasutatakse seda laialdaselt krediidiskooringus, meditsiinis ja turunduses, sageli kindla lähtetasemena keerukamate mudelite jaoks.
Bayesi võrgud on graafilised mudelid, mis kujutavad muutujaid sõlmedena ja nende tõenäosuslikke sõltuvusi suunatud nooltena. Bayesi teoreemi abil näitavad nad, kuidas uued vaatlused muudavad teiste sündmuste tõenäosust. Üks näide on diagnostiline tugi: kõige tõenäolisema põhjuse hindamine täheldatud sümptomite põhjal. Nende tugevused on läbipaistvus ja võime käsitleda ebakindlaid või puudulikke andmeid.
