Naivni Bayes obitelj je jednostavnih metoda klasifikacije temeljenih na Bayesovu teoremu. Nazivaju se „naivnima“ jer pretpostavljaju da su sve značajke međusobno neovisne, što je u praksi rijetko točno, ali često ipak daje dobre rezultate. Metode su brze, trebaju malo podataka za učenje i posebno su prikladne za tekst. Klasičan je primjer filtar za neželjenu poštu koji razvrstava e-poruke na temelju tipičnih riječi.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoKlasifikator je model ili metoda koja unose razvrstava u jednu od nekoliko unaprijed definiranih kategorija. Klasične varijante poput stabala odlučivanja ili naivnog Bayesa treniraju se na označenim primjerima; jezični modeli mogu razvrstavati tekstove i na temelju opisa kategorija. Tipične primjene uključuju prepoznavanje spama, razvrstavanje upita klijenata po temama i kategoriziranje računa. Kvaliteta se mjeri metrikama poput točnosti, preciznosti i odziva.
Klasifikacija teksta automatski razvrstava tekstove u unaprijed zadane kategorije, primjerice e-poruke prema vrsti upita, recenzije prema sentimentu ili dokumente prema temi. Prije je za to bilo potrebno trenirati posebne modele na označenim primjerima; danas veliki jezični modeli često mogu dodijeliti kategorije samo na temelju opisa. Tako je moguće unaprijed razvrstati upite i brže ih usmjeriti pravom timu.
Logistička regresija statistička je metoda koja predviđa vjerojatnost jednog od dva ishoda, poput „kupuje” ili „ne kupuje”. Ponderira ulazna obilježja i njihov zbroj pretvara u vrijednost između 0 i 1 pomoću funkcije S-oblika. Budući da se težine lako interpretiraju, naširoko se koristi u kreditnom bodovanju, medicini i marketingu, često kao solidna osnovna linija za složenije modele.
Bayesove mreže grafički su modeli koji varijable prikazuju kao čvorove, a njihove probabilističke ovisnosti kao usmjerene strelice. Primjenom Bayesova teorema pokazuju kako nova opažanja mijenjaju vjerojatnost drugih događaja. Jedan je primjer dijagnostička podrška: procjena najvjerojatnijeg uzroka na temelju uočenih simptoma. Njihove su prednosti transparentnost i sposobnost rada s nesigurnim ili nepotpunim podacima.
