Naiivi Bayes on joukko yksinkertaisia luokittelumenetelmiä, jotka perustuvat Bayesin kaavaan. Niitä kutsutaan ”naiiveiksi”, koska ne olettavat kaikkien piirteiden olevan toisistaan riippumattomia, mikä on harvoin totta käytännössä mutta tuottaa silti usein hyviä tuloksia. Menetelmät ovat nopeita, tarvitsevat vähän opetusdataa ja sopivat erityisen hyvin tekstille. Klassinen esimerkki on roskapostisuodatin, joka lajittelee sähköpostit tyypillisten sanojen perusteella.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoLuokittelija on malli tai menetelmä, joka osoittaa syötteet johonkin useista ennalta määritellyistä luokista. Klassiset muunnelmat, kuten päätöspuut tai naiivi Bayes, koulutetaan merkityillä esimerkeillä; kielimallit voivat myös lajitella tekstejä luokkien kuvauksen perusteella. Tyypillisiä käyttötarkoituksia ovat roskapostin tunnistus, asiakaskyselyiden lajittelu aiheen mukaan ja kuittien luokittelu. Laatua mitataan mittareilla, kuten osuvuudella, tarkkuudella ja saannilla.
Tekstin luokittelu liittää tekstit automaattisesti ennalta määriteltyihin luokkiin, esimerkiksi sähköpostit pyynnön tyypin mukaan, arvostelut sentimentin mukaan tai asiakirjat aiheen mukaan. Aiemmin tämä edellytti omien mallien opettamista luokiteltujen esimerkkien avulla; nykyään suuret kielimallit pystyvät usein määrittämään luokan pelkän kuvauksen perusteella. Tämä mahdollistaa tiedustelujen esilajittelun ja nopeamman ohjaamisen oikealle tiimille.
Logistinen regressio on tilastollinen menetelmä, joka ennustaa todennäköisyyden toiselle kahdesta lopputuloksesta, kuten ”ostaa” tai ”ei osta”. Se painottaa syötepiirteitä ja muuntaa niiden summan arvoksi nollan ja yhden väliltä S-muotoisella funktiolla. Koska painot on helppo tulkita, sitä käytetään laajasti luottopisteytyksessä, lääketieteessä ja markkinoinnissa, usein vankkana lähtötasona monimutkaisemmille malleille.
Bayesilaiset verkot ovat graafisia malleja, jotka esittävät muuttujat solmuina ja niiden todennäköisyysriippuvuudet suunnattuina nuolina. Bayesin kaavan avulla ne näyttävät, miten uudet havainnot muuttavat muiden tapahtumien todennäköisyyttä. Esimerkki on diagnostinen tuki: todennäköisimmän syyn arvioiminen havaittujen oireiden perusteella. Niiden vahvuuksia ovat läpinäkyvyys ja kyky käsitellä epävarmaa tai puutteellista dataa.
