Professional Documents
Culture Documents
Aprendizaje
Clasificadores bayesianos
Aprendizaje bayesiano
C
MAP
argmax
c
i
C
Pa
1,
a
2
a
n
c
i
Pc
i
P a
1,
a
2
a
n
C
MAP
argmax
c
i
C
P a
1,
a
2
a
n
c
i
P c
i
Necesitamos
n demasiado pequeo
(estimacin inadecuada)
Simplificacin: suponemos que los valores de los atributos son
condicionalmente independientes para una clase dada
(naive bayes classifier)
C
MAP
argmax
c
i
C
P a
1,
a
2
a
n
c
i
P c
i
n deejemplos delaclase i
n total deejemplos
n deejemplos con atributos a
1,
a
2
a
n
n deejemplos dela clase i
P(a
1,
a
2
a
n
c
i
)
j =1
n
P(a
j
c
i
)
jemplo! predicci"n del tiempo
jemplo de clasificador bayesiano
{
sol ! lluvia ! nieve
}
P( c
i
)
j
P( a
j
c
i
)
arg max
c
i
{
sol ! lluvia ! nieve
}
P( c
i
)P( presion=establec
i
) P(cielo=claroc
i
)
c
i
=sol 5/10 2/5 4/5 = 0.16
c
i
=lluvia
3/10 1/3 1/3 = 0.0333
c
i
=nieve 2/10 0 0 = 0
jemplo #! clasificador de te$tos
i=1
n
P( a
1
c
i
)
Sustituimos P( a
j
c
i
) por P( "
j
c
i
)
P( a
31
=galgo interesante )P(galgo interesante )
Fase &! Aprendizaje
Calcular
text
j
, concatenacin de todos los docs. de docs
j
n, nmero de posiciones en text
j
n
k
, nmero de veces que aparece w
k
en text
j
Calcular
P( c
j
)=
docs
j
#
P( "
$
c
j
)=
n
$
+ 1
n+%oc
Fase # ' Clasificaci"n
Dado un documento x=w
1
,w
2
,...,w
n
$ pos
P( "
$
c
j
)