बेयसियन क्लासिफायर सांख्यिकीय क्लासिफायर हैं। यह कक्षा सदस्यता संभावनाओं का पूर्वानुमान लगा सकता है, जैसे कि एक दिए गए नमूने की एक निश्चित कक्षा पर लागू होने की संभावना। बेयसियन क्लासिफायर ने बड़े डेटाबेस होने पर बड़ी दक्षता और गति भी दिखाई है।
क्योंकि कक्षाएं परिभाषित हैं, सिस्टम को उन नियमों का अनुमान लगाना होगा जो वर्गीकरण की निगरानी करते हैं, इसलिए सिस्टम को प्रत्येक कक्षा का विवरण खोजने में सक्षम होना चाहिए। विवरणों को प्रशिक्षण सेट के भविष्यवक्ता विशेषताओं को परिभाषित करना होगा ताकि केवल सकारात्मक उदाहरण विवरण को संतुष्ट करें, नकारात्मक उदाहरण नहीं। एक नियम को सही कहा जाता है यदि इसका विवरण सभी सकारात्मक उदाहरणों को कवर करता है और एक कक्षा के कोई नकारात्मक उदाहरण कवर नहीं किए जाते।
यह मानते हुए कि सभी विशेषताओं द्वारा योगदान स्वतंत्र हैं और प्रत्येक वर्गीकरण समस्या में समान रूप से योगदान देता है, एक सरल वर्गीकरण योजना जिसे नाइव बेयस वर्गीकरण कहा जाता है।
नाइव बेयस वर्गीकरण को नाइव कहा जाता है क्योंकि यह कक्षा सशर्त स्वतंत्रता मानता है। एक दी गई कक्षा पर एक विशेषता मूल्य का कार्यान्वयन कई विशेषताओं के मूल्यों से अलग है। यह धारणा कम्प्यूटेशनल लागत को कम करने के लिए बनाई गई है और इसलिए इसे नाइव माना जाता है।
प्रशिक्षण रिकॉर्ड दिए गए अवलोकनीय चरों से नेटवर्क टोपोलॉजी को समझने के लिए कई एल्गोरिदम मौजूद हैं। मुद्दा असतत अनुकूलन है। मानव पेशेवर आमतौर पर उन प्रत्यक्ष सशर्त निर्भरताओं की अच्छी समझ रखते हैं जो विश्लेषण के तहत डोमेन को प्रभावित करती हैं, जो नेटवर्क डिजाइन का समर्थन करती हैं। विशेषज्ञों को उन नोड्स के लिए सशर्त संभावनाओं को परिभाषित करना चाहिए जो प्रत्यक्ष निर्भरताओं में प्रदर्शन करते हैं।
इन संभावनाओं का उपयोग शेष संभाव्यता मूल्यों का मूल्यांकन करने के लिए किया जा सकता है। यदि नेटवर्क टोपोलॉजी स्वीकार की जाती है और चर अवलोकनीय हैं, तो नेटवर्क को प्रशिक्षित करना सरल है। इसमें CPT प्रविष्टियों की गणना शामिल है, जैसा कि नाइव बेयसियन वर्गीकरण में शामिल संभावनाओं का मूल्यांकन करते समय समान रूप से पूरा किया जाता है।
नाइव बेयस क्लासिफायर की विभिन्न विशेषताएं निम्नलिखित हैं -
वे अलग-थलग शोर बिंदुओं के प्रति मजबूत हैं क्योंकि ऐसे बिंदुओं को डेटा से सशर्त संभावनाओं का अनुमान लगाते समय औसत किया जाता है। यह मॉडल निर्माण और वर्गीकरण के दौरान उदाहरणों को हटाकर लापता मूल्यों को भी संभाल सकता है।
वे अप्रासंगिक विशेषताओं के प्रति मजबूत हैं। यदि Xᵢ एक अनुचित विशेषता है, तो P(Xᵢ|Y) समान रूप से वितरित हो जाता है। Xᵢ के लिए कक्षा सशर्त प्रायिकता का पोस्टीरियर प्रायिकता की पूरी गणना पर कोई प्रभाव नहीं पड़ता।
सहसंबद्ध विशेषताएं नाइव बेयस क्लासिफायर के प्रदर्शन को खराब कर सकती हैं क्योंकि ऐसी विशेषताओं के लिए सशर्त स्वतंत्रता धारणा अब लागू नहीं होती। उदाहरण के लिए, निम्नलिखित संभावनाओं पर विचार करें -
P(A=0|Y=0) = 0.4, P(A=1|Y=0) = 0.6,
P(A=0|Y=1) = 0.6, P(A=1|Y=1) = 0.4,
जहां A एक बाइनरी विशेषता है और Y एक बाइनरी कक्षा चर है। मान लीजिए कि एक और बाइनरी विशेषता B है जो Y=0 जब A के साथ पूरी तरह से सहसंबद्ध है, लेकिन Y=1 जब A से स्वतंत्र है। सत्यनिष्ठा के लिए, मान लें कि B के लिए कक्षा-सशर्त संभावनाएं A के समान हैं।
