Naivusis Bajeso klasifikatorius – paprastų klasifikavimo metodų šeima, pagrįsta Bajeso teorema. Jie vadinami „naiviais“, nes daroma prielaida, kad visi požymiai yra tarpusavyje nepriklausomi; praktikoje taip būna retai, tačiau rezultatai dažnai vis tiek geri. Metodai greiti, jiems reikia nedaug mokymo duomenų ir jie ypač tinka tekstams. Klasikinis pavyzdys – šlamšto filtras, rūšiuojantis el. laiškus pagal būdingus žodžius.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąKlasifikatorius – tai modelis ar metodas, priskiriantis įvestį vienai iš kelių iš anksto apibrėžtų kategorijų. Klasikiniai variantai, tokie kaip sprendimų medžiai ar naivusis Bajeso klasifikatorius, mokomi su pažymėtais pavyzdžiais; kalbos modeliai taip pat gali rūšiuoti tekstus pagal kategorijų aprašymą. Tipiniai taikymai: šlamšto aptikimas, klientų užklausų rūšiavimas pagal temą ir kvitų kategorizavimas. Kokybė matuojama rodikliais, tokiais kaip tikslumas (accuracy), tikslumas (precision) ir pilnumas (recall).
Tekstų klasifikavimas automatiškai priskiria tekstus iš anksto nustatytoms kategorijoms, pavyzdžiui, el. laiškus – pagal užklausos tipą, atsiliepimus – pagal nuotaiką, dokumentus – pagal temą. Anksčiau tam reikėjo mokyti specialius modelius pagal pažymėtus pavyzdžius; šiandien dideli kalbos modeliai dažnai gali priskirti kategorijas vien pagal aprašymą. Taip galima iš anksto surūšiuoti užklausas ir greičiau nukreipti jas tinkamai komandai.
Logistinė regresija – tai statistinis metodas, prognozuojantis vieno iš dviejų rezultatų, pavyzdžiui, „perka“ ar „neperka“, tikimybę. Jis sveria įvesties požymius ir jų sumą S formos funkcija paverčia reikšme tarp 0 ir 1. Kadangi svorius lengva interpretuoti, ji plačiai naudojama kredito vertinime, medicinoje ir rinkodaroje, dažnai kaip tvirtas pradinis atskaitos taškas sudėtingesniems modeliams.
Bajeso tinklai – grafiniai modeliai, kurie kintamuosius vaizduoja kaip mazgus, o jų tikimybines priklausomybes – kaip kryptines rodykles. Naudodami Bajeso teoremą jie parodo, kaip nauji stebėjimai keičia kitų įvykių tikimybę. Vienas pavyzdžių – diagnostikos pagalba: pagal pastebėtus simptomus įvertinama labiausiai tikėtina priežastis. Jų stiprybės – skaidrumas ir gebėjimas dirbti su neapibrėžtais ar neišsamiais duomenimis.
