Naive Bayes is een familie van eenvoudige classificatiemethoden die gebaseerd zijn op de stelling van Bayes. Ze heten “naïef” omdat ze aannemen dat alle kenmerken onafhankelijk van elkaar zijn, wat in de praktijk zelden klopt maar vaak toch goede resultaten oplevert. De methoden zijn snel, hebben weinig trainingsgegevens nodig en zijn bijzonder geschikt voor tekst. Een klassiek voorbeeld is het spamfilter dat e-mails sorteert op basis van typerende woorden.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenEen classificeerder is een model of methode die invoer toewijst aan een van meerdere vooraf bepaalde categorieën. Klassieke varianten zoals beslisbomen of naive Bayes worden getraind op gelabelde voorbeelden; taalmodellen kunnen teksten ook sorteren aan de hand van een beschrijving van de categorieën. Typische toepassingen zijn spamdetectie, het sorteren van klantvragen op onderwerp en het categoriseren van bonnen. De kwaliteit wordt gemeten met maten zoals nauwkeurigheid, precisie en recall.
Tekstclassificatie wijst teksten automatisch toe aan vooraf bepaalde categorieën, bijvoorbeeld e-mails naar type aanvraag, recensies naar sentiment of documenten naar onderwerp. Voorheen vroeg dit om het trainen van eigen modellen op gelabelde voorbeelden; tegenwoordig kunnen grote taalmodellen vaak alleen op basis van een beschrijving categorieën toewijzen. Zo kunnen aanvragen vooraf worden gesorteerd en sneller naar het juiste team worden gestuurd.
Logistische regressie is een statistische methode die de kans op een van twee uitkomsten voorspelt, zoals “koopt” of “koopt niet”. Ze weegt de invoerkenmerken en zet hun som met een S-vormige functie om in een waarde tussen 0 en 1. Omdat de gewichten eenvoudig te interpreteren zijn, wordt ze veel gebruikt bij kredietscoring, in de geneeskunde en in marketing, vaak als solide referentiepunt voor complexere modellen.
Bayesiaanse netwerken zijn grafische modellen die variabelen als knooppunten en hun probabilistische afhankelijkheden als gerichte pijlen weergeven. Met de stelling van Bayes laten ze zien hoe nieuwe waarnemingen de kans op andere gebeurtenissen veranderen. Een voorbeeld is diagnostische ondersteuning: op basis van waargenomen symptomen de meest waarschijnlijke oorzaak inschatten. Hun sterke punten zijn transparantie en het vermogen om met onzekere of onvolledige gegevens om te gaan.
