A Naiv Bayes egyszerű osztályozási módszerek családja, amely a Bayes-tételen alapul. „Naivnak” azért nevezik, mert feltételezi, hogy minden jellemző független egymástól – ez a gyakorlatban ritkán igaz, mégis gyakran jó eredményt ad. A módszerek gyorsak, kevés tanítóadatot igényelnek, és különösen jól illeszkednek a szövegekhez. Klasszikus példa a spamszűrő, amely jellegzetes szavak alapján válogatja az e-maileket.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaAz osztályozó olyan modell vagy módszer, amely a bemeneteket több előre meghatározott kategória egyikébe sorolja. A klasszikus változatokat, például a döntési fákat vagy a naiv Bayes-t címkézett példákon tanítják; a nyelvi modellek a kategóriák leírása alapján is képesek szövegeket rendezni. Tipikus felhasználás a spamfelismerés, az ügyfélmegkeresések téma szerinti rendezése és a bizonylatok kategorizálása. A minőséget olyan mérőszámokkal mérik, mint a helyesség, a pontosság és a fedés.
A szövegosztályozás a szövegeket automatikusan előre meghatározott kategóriákba sorolja, például az e-maileket a megkeresés típusa, az értékeléseket a hangulat, a dokumentumokat a téma szerint. Korábban ehhez külön modelleket kellett címkézett példákon betanítani; ma a nagy nyelvi modellek gyakran pusztán leírás alapján is képesek kategóriákat hozzárendelni. Ez lehetővé teszi a megkeresések előzetes szortírozását és a megfelelő csapathoz való gyorsabb továbbítását.
A logisztikus regresszió olyan statisztikai módszer, amely két kimenetel egyikének valószínűségét jósolja meg, például „vásárol” vagy „nem vásárol”. Súlyozza a bemeneti jellemzőket, és összegüket egy S alakú függvénnyel 0 és 1 közötti értékké alakítja. Mivel a súlyok könnyen értelmezhetők, széles körben használják hitelminősítésben, orvostudományban és marketingben, gyakran bonyolultabb modellek szilárd alapmérceként.
A Bayes-hálók olyan grafikus modellek, amelyek a változókat csomópontokként, valószínűségi függőségeiket pedig irányított nyilakként ábrázolják. A Bayes-tétel segítségével megmutatják, hogyan változtatják meg az új megfigyelések más események valószínűségét. Példa erre a diagnosztikai támogatás: a megfigyelt tünetekből a legvalószínűbb ok becslése. Erősségük az átláthatóság és a bizonytalan vagy hiányos adatok kezelésének képessége.
