बायेसियन क्लासिफायर सांख्यिकीय क्लासिफायरियर हैं। यह वर्ग सदस्यता की संभावनाओं का अनुमान लगा सकता है, जैसे कि किसी दिए गए नमूने के एक निश्चित वर्ग पर लागू होने की प्रायिकता। बायेसियन क्लासिफायर ने उच्च डेटाबेस होने पर भी बड़ी दक्षता और गति प्रदर्शित की है।
क्योंकि कक्षाएं परिभाषित हैं, सिस्टम को उन नियमों का अनुमान लगाना चाहिए जो वर्गीकरण की निगरानी करते हैं, इसलिए सिस्टम को प्रत्येक वर्ग के विवरण की खोज करने में सक्षम होना चाहिए। विवरण को प्रशिक्षण सेट की भविष्यवाणी विशेषताओं को परिभाषित करना चाहिए ताकि केवल सकारात्मक उदाहरण विवरण को संतुष्ट कर सकें, न कि नकारात्मक उदाहरण। एक नियम को सही कहा जाता है यदि उसके विवरण में सभी सकारात्मक उदाहरण शामिल हैं और किसी वर्ग के नकारात्मक उदाहरणों में से कोई भी शामिल नहीं है।
यह माना जाता है कि सभी विशेषताओं का योगदान स्वतंत्र है और प्रत्येक वर्गीकरण समस्या में समान रूप से योगदान देता है, एक सरल वर्गीकरण योजना जिसे नैवे बेयस वर्गीकरण कहा जाता है।
Naïve Bayes वर्गीकरण को Naïve कहा जाता है क्योंकि यह वर्ग सशर्त स्वतंत्रता मानता है। किसी दिए गए वर्ग पर एक विशेषता मान का कार्यान्वयन कई विशेषताओं के मूल्यों से अलग होता है। यह धारणा कम्प्यूटेशनल लागत को कम करने के लिए बनाई गई है और इसलिए इसे भोला माना जाता है।
अवलोकन योग्य चर दिए गए प्रशिक्षण रिकॉर्ड से नेटवर्क टोपोलॉजी को समझने के लिए कई एल्गोरिदम मौजूद हैं। मुद्दा असतत अनुकूलन है। मानव पेशेवरों को आम तौर पर प्रत्यक्ष सशर्त निर्भरता की अच्छी समझ होती है जो विश्लेषण के तहत डोमेन को प्रभावित करती है, जो नेटवर्क डिजाइन का समर्थन करती है। विशेषज्ञों को नोड्स के लिए सशर्त संभावनाओं को परिभाषित करना चाहिए जो प्रत्यक्ष निर्भरता में प्रदर्शन करते हैं।
इन संभावनाओं का उपयोग शेष संभाव्यता मूल्यों का मूल्यांकन करने के लिए किया जा सकता है। यदि नेटवर्क टोपोलॉजी को स्वीकार किया जाता है और चर देखे जा सकते हैं, इसलिए नेटवर्क को प्रशिक्षित करना सरल है। इसमें सीपीटी प्रविष्टियों की गणना करना शामिल है, जैसा कि भोले बायेसियन वर्गीकरण में शामिल संभावनाओं का मूल्यांकन करते समय इसी तरह पूरा किया जाता है।
Naïve Bayes Classifiers की विभिन्न विशेषताएं हैं जो इस प्रकार हैं -
वे अलग-अलग शोर बिंदुओं के लिए मजबूत हैं क्योंकि डेटा से सशर्त संभावनाओं का अनुमान लगाते समय ऐसे बिंदुओं का औसत निकाला जाता है। यह मॉडल निर्माण और वर्गीकरण के दौरान उदाहरणों को हटाकर लापता मूल्यों को भी प्रबंधित कर सकता है।
वे अप्रासंगिक विशेषताओं के लिए मजबूत हैं। अगर Xi एक अनुपयुक्त विशेषता है, इसलिए P (Xi |Y) लगातार वितरित हो जाता है। Xi . के लिए वर्ग सशर्त प्रायिकता पश्च प्रायिकता की पूर्ण गणना पर कोई प्रभाव नहीं पड़ता है।
सहसंबद्ध विशेषताएँ भोले बेयस क्लासिफायर के प्रदर्शन को ख़राब कर सकती हैं क्योंकि सशर्त स्वतंत्रता की धारणा अब ऐसी विशेषताओं के लिए नहीं है। उदाहरण के लिए, निम्नलिखित संभावनाओं पर विचार करें -
पी (A=0|Y=0) =0.4, P (A=1 | Y=0) =0.6,
पी (ए =0 | वाई =1) =0.6, पी (ए =1 | वाई =1) =0.4,
जहाँ A एक द्विआधारी विशेषता है और Y एक द्विआधारी वर्ग चर है। मान लीजिए कि एक और द्विआधारी विशेषता बी है जो पूरी तरह से ए के साथ सहसंबद्ध है जब वाई =0, लेकिन ए से स्वतंत्र है जब वाई =1। अखंडता के लिए, विचार करें कि बी के लिए वर्ग-सशर्त संभावनाएं ए के बराबर हैं।