मशीन लर्निंग में नैवे बेयस एल्गोरिदम

नैवे बेयस क्लासिफायर एल्गोरिथ्म

क्लासिफायर एक मशीन लर्निंग एल्गोरिदम है जो डेटा को "श्रेणियों" के एक समूह में से एक या अधिक में वर्गीकृत करता है। ईमेल क्लासिफायर इसका एक जाना-पहचाना उदाहरण है: यह प्रत्येक आने वाले संदेश को स्कैन करता है और उसे स्पैम या नॉन-स्पैम के रूप में वर्गीकृत करता है।

मशीन लर्निंग में नैव बेयस क्लासिफायर एक है पर्यवेक्षित अध्ययन वर्गीकरण कार्यों के लिए प्रयुक्त एल्गोरिदम।

नीचे दिया गया आरेख उस प्रवाह को दर्शाता है।

नैवे बेयस का उपयोग वर्गीकरण समस्याओं को हल करने के लिए किया जाता है। यह किसी वस्तु की संभावना के आधार पर भविष्यवाणी करता है। नैवे बेयस बेयस प्रमेय पर आधारित है और इसका उपयोग ज्यादातर टेक्स्ट वर्गीकरण के लिए किया जाता है। नैवे बेयस एक संभाव्य वर्गीकरण एल्गोरिथ्म है जिसे लागू करना आसान है और प्रशिक्षित करना तेज़ है।

क्योंकि नैव बेयस क्लासिफायर बेयस प्रमेय पर आधारित है, इसलिए इसे प्रायिकता क्लासिफायर भी कहा जाता है। यह किसी वस्तु की प्रायिकता के आधार पर भविष्यवाणी करता है।

इसे नैव बेयस क्यों कहा जाता है?

नैव बेयस नाम के दो भाग हैं: नैव और बेयस। नैव क्यों? क्योंकि यह एल्गोरिदम विशेषताओं के प्रकट होने के क्रम को अनदेखा करता है, इसलिए "आप हैं" और "क्या आप हैं" इसे एक जैसे ही लगते हैं। यह यह भी मानता है कि कोई भी विशेषता किसी दूसरी विशेषता को प्रभावित नहीं करती। सेब को पहचानने के लिए आप लाल रंग, गोलाकार आकार और मीठे स्वाद का उपयोग करते हैं, और एल्गोरिदम इन सभी संकेतों को अलग-अलग, स्वतंत्र प्रमाण के रूप में मानता है।

• नैव बेयस क्लासिफायर यह मानता है कि विशेषताएँ एक दूसरे से स्वतंत्र हैं। चूंकि वास्तविक जीवन के डेटा में ऐसा शायद ही कभी संभव होता है, इसलिए इस क्लासिफायर को नैव कहा जाता है।
• यह वर्गीकरण एल्गोरिदम बेयस प्रमेय पर आधारित है, इसलिए इसे नैव बेयस क्लासिफायर के रूप में जाना जाता है।

भोला बेयस प्रमेय

बेयस प्रमेय का उपयोग पूर्व ज्ञान पर निर्भर सशर्त संभावनाओं के साथ किसी परिकल्पना की प्रायिकता ज्ञात करने के लिए किया जाता है। इस प्रमेय का नाम थॉमस बेयस के नाम पर रखा गया है। नैव बेयस क्लासिफायर, बेयस प्रमेय द्वारा दिए गए सशर्त प्रायिकता के सिद्धांत पर कार्य करता है।

बेयस प्रमेय को समझने के लिए, आइए दो सिक्कों को उछालने के एक सरल नैव बेयस क्लासिफायर उदाहरण को देखें। दो सिक्कों को उछालकर हम ये सैंपल स्पेस प्राप्त कर सकते हैं: {HH, HT, TH, TT}। अतः, इन घटनाओं की प्रायिकताएँ इस प्रकार होंगी:

• दो सिर प्राप्त करना = 1/4
• कम से कम एक पूंछ = 3/4
• दूसरा सिक्का चित है, जबकि पहला सिक्का पट है = 1/2
• यदि पहला सिक्का चित है तो दो चित आना = 1/2

बेयस प्रमेय किसी घटना के घटित होने की प्रायिकता की गणना, पहले से घटित हो चुकी किसी अन्य घटना की प्रायिकता के आधार पर करता है। बेयस प्रमेय का सूत्र इस प्रकार है:

P(A|B) = (P(B|A) * P(A)) / P(B)

P(A|B) घटना A की प्रायिकता है जब घटना B पहले ही घटित हो चुकी हो। प्रायिकता P(B) शून्य नहीं होनी चाहिए।

• आपको घटना A की प्रायिकता ज्ञात करनी है, जो तब दी जाती है जब घटना B (साक्ष्य) सत्य हो।
• P(A) घटना A की पूर्व प्रायिकता है, अर्थात् किसी भी साक्ष्य के देखे जाने से पहले घटना की प्रायिकता। यहाँ, घटना B एक अज्ञात उदाहरण का मान है।
• P(A|B) घटना A की पश्च प्रायिकता है, अर्थात् साक्ष्य B को देखने के बाद A की प्रायिकता।

नैव बेयस क्लासिफायर का कार्यशील उदाहरण

इस फॉर्मूले को काम करते हुए देखने का सबसे तेज़ तरीका इसे मैन्युअल रूप से चलाकर देखना है।

आइए एक दुकान का उदाहरण लेते हैंping बेयस नैव क्लासिफायर की कार्यप्रणाली को समझने के लिए। इस उदाहरण के लिए, इस डेटासेट में 30 पंक्तियों का एक छोटा नमूना डेटासेट शामिल है।

डेटासेट

समस्या यह है कि नैवे बेयस प्रमेय का उपयोग करके यह पूर्वानुमान लगाना है कि क्या कोई व्यक्ति दिन, छूट और मुफ्त डिलीवरी के विशिष्ट संयोजन पर कोई उत्पाद खरीदेगा।

चरण 1) हम डेटासेट में उल्लिखित इनपुट प्रकारों, जैसे दिन, छूट और निःशुल्क डिलीवरी का उपयोग करके प्रत्येक विशेषता के लिए आवृत्ति तालिकाएँ बनाएंगे।

मान लीजिए 'खरीदारी' घटना को 'A' से और स्वतंत्र चरों, अर्थात् 'छूट', 'मुफ्त डिलीवरी' और 'दिन' को 'B' से दर्शाया गया है। हम इन घटनाओं और चरों का उपयोग करके बेयस प्रमेय लागू करेंगे।

चरण 2) अब आइए एक-एक करके संभावना तालिकाओं की गणना करें।

उदाहरण 1:

इस संभावना तालिका के आधार पर, हम नीचे दिए अनुसार सशर्त संभावनाओं की गणना करेंगे।

P(A) = P(No Buy) = 6/30 = 0.2
P(B) = P(Weekday) = 11/30 = 0.37
P(B/A) = P(Weekday / No Buy) = 2/6 = 0.33

और, बेयस प्रमेय का उपयोग करके P(A/B) ज्ञात करें,

P(A/B)
= P(No Buy / Weekday)
= P(Weekday / No Buy) * P(No Buy) / P(Weekday)
= (2/6 * 6/30) / (11/30)
= 0.1818

इसी प्रकार, यदि A खरीदें, तो

= P(Buy / Weekday)
= P(Weekday / Buy) * P(Buy) / P(Weekday)
= (9/24 * 24/30) / (11/30)
= 0.8181

नोट: चूंकि P(खरीदें | सप्ताह के दिन) P(कोई खरीद नहीं | सप्ताह के दिन) से अधिक है, इसलिए हम यह निष्कर्ष निकाल सकते हैं कि ग्राहक द्वारा उत्पाद खरीदने की सबसे अधिक संभावना सप्ताह के दिन होगी।

चरण 3) इसी तरह, हम तीनों चरों के आधार पर किसी घटना के घटित होने की संभावना की गणना कर सकते हैं। अब हम उपरोक्त आवृत्ति तालिकाओं का उपयोग करके तीनों चरों के लिए संभावना तालिकाओं की गणना करेंगे।

उदाहरण 2:

अब, इन तीन संभावना तालिकाओं का उपयोग करके, हम गणना करेंगे कि क्या कोई ग्राहक 'दिन', 'छूट' और 'मुफ्त डिलीवरी' के विशिष्ट संयोजन के आधार पर खरीदारी करने की संभावना रखता है।

यहां, आइए हम इन कारकों का संयोजन देखें:

• दिन = छुट्टी
• छूट = हाँ
• निःशुल्क डिलीवरी = हाँ

जब, A = खरीदें

दिन, छूट और मुफ्त डिलीवरी के निम्नलिखित संयोजन पर खरीद की सशर्त संभावना की गणना करें।

जहाँ B है:

• दिन = छुट्टी
• छूट = हाँ
• निःशुल्क डिलीवरी = हाँ

और A = खरीदें

इसलिए,

= P(A/B)
= P(Buy / Discount=Yes, Day=Holiday, Free Delivery=Yes)
= ( P(Discount=(Yes/Buy)) * P(Free Delivery=(Yes/Buy)) * P(Day=(Holiday/Buy)) * P(Buy) )
/ ( P(Discount=Yes) * P(Free Delivery=Yes) * P(Day=Holiday) )
= (19/24 * 21/24 * 8/24 * 24/30) / (20/30 * 23/30 * 11/30)
= 0.986

जब, A = कोई खरीद नहीं

इसी प्रकार, दिन, छूट और मुफ्त डिलीवरी के निम्नलिखित संयोजन पर खरीद की सशर्त संभावना की गणना करें।

जहाँ B है:

• दिन = छुट्टी
• छूट = हाँ
• निःशुल्क डिलीवरी = हाँ

और A = कोई खरीद नहीं

इसलिए,

= P(A/B)
= P(No Buy / Discount=Yes, Day=Holiday, Free Delivery=Yes)
= ( P(Discount=(Yes/No Buy)) * P(Free Delivery=(Yes/No Buy)) * P(Day=(Holiday/No Buy)) * P(No Buy) )
/ ( P(Discount=Yes) * P(Free Delivery=Yes) * P(Day=Holiday) )
= (1/6 * 2/6 * 3/6 * 6/30) / (20/30 * 23/30 * 11/30)
= 0.027

चरण 4) अत,

खरीद की संभावना = 0.986

खरीदारी न होने की संभावना = 0.027

अंत में, हमारे पास इस दिन खरीदने की सशर्त संभावनाएँ हैं। आइए अब हम घटनाओं की संभावना प्राप्त करने के लिए इन संभावनाओं को सामान्यीकृत करें।

• संभावनाओं का योग = 0.986 + 0.027 = 1.013
• खरीद की संभावना = 0.986 / 1.013 = 97.33 %
• खरीद न होने की संभावना = 0.027 / 1.013 = 2.67 %

दोनों अंकों का योग 1 के बजाय 1.013 होता है क्योंकि स्वतंत्रता की धारणा प्रत्येक अनुमान को लगभग बनाती है, इसलिए कुल से विभाजित करने पर उन्हें प्रतिशत में पुनः परिवर्तित किया जाता है।

ध्यान दें कि, चूंकि 97.33%, 2.67% से अधिक है। हम यह निष्कर्ष निकाल सकते हैं कि औसत ग्राहक छुट्टी के दिन छूट और मुफ़्त डिलीवरी के साथ खरीदारी करेगा।

नैव बेयस मॉडल के प्रकार

नैवे बेयस क्लासिफायर के कई प्रकार हैं। यहाँ हमने मल्टीनोमियल, बर्नौली और गॉसियन नैवे बेयस क्लासिफायर पर चर्चा की है।

1. मल्टीनोमियल नैवे बेयस

इस प्रकार के नैवे बेयस मॉडल का उपयोग दस्तावेज़ वर्गीकरण समस्याओं के लिए किया जाता है। यह उन विशेषताओं के साथ काम करता है जो दस्तावेज़ में शब्दों की आवृत्ति को दर्शाते हैं। क्लासिफायर किसी दस्तावेज़ के किसी विशिष्ट श्रेणी, जैसे खेल, राजनीति या प्रौद्योगिकी से संबंधित होने की संभावना निर्धारित करने के लिए शब्दों की घटना और गिनती पर विचार करता है।

2. बर्नौली नैवे बेयस

यह मल्टीनोमियल नैवे बेयस के समान है। बर्नौली नैवे बेयस क्लासिफायर का उपयोग दस्तावेज़ वर्गीकरण कार्यों के लिए किया जाता है। हालाँकि, यह बूलियन प्रेडिक्टर का उपयोग करता है। यह दर्शाता है कि कोई शब्द मौजूद है या नहीं और केवल हाँ या नहीं के मान लेता है। क्लासिफायर इस आधार पर संभावनाओं की गणना करता है कि कोई शब्द टेक्स्ट में है या नहीं।

3. गॉसियन नैवे बेयस

इस क्लासिफायर का उपयोग निरंतर मूल्य के मामले में किया जाता है, लेकिन असतत मूल्य के मामले में नहीं। यह क्लासिफायर पैरामीटर का उपयोग करके संभावनाओं की गणना करता है गाऊसी वितरण, अर्थात, माध्य और विचरण।

सशर्त संभाव्यता का सूत्र बदल जाता है,

RSI scikit सीखने लाइब्रेरी ने दो और प्रकार जोड़े हैं: असंतुलित पाठ के लिए कॉम्प्लीमेंट नैव बेयस और असतत श्रेणियों के लिए कैटेगोरिकल नैव बेयस।

नैवे बेयस क्लासिफायर के लाभ और सीमाएं

मशीन लर्निंग में नैवे बेयस एल्गोरिथम के विभिन्न फायदे और नुकसान हैं।

नैवे बेयस क्लासिफायर के लाभ

• सरलता एवं दक्षता: नैवे बेयस को प्रशिक्षित करना और लागू करना सरल और आसान है। यह कम कम्प्यूटेशनल लागत के कारण कुशल है। यह बड़े डेटासेट को कुशलता से संभाल सकता है।
• तीव्र प्रशिक्षण और भविष्यवाणी: Naive Bayes में फीचर्स की स्वतंत्रता के कारण बहुत अधिक प्रशिक्षण डेटा की आवश्यकता नहीं होती है। मॉडल के प्रशिक्षित होने के बाद यह तेजी से भविष्यवाणी कर सकता है।
• अनुमापकता: नैवे बेयस बड़ी संख्या में सुविधाओं वाले उच्च-आयामी डेटासेट को संभाल सकता है। यह तब भी अच्छा प्रदर्शन करता है जब सुविधाओं की संख्या प्रशिक्षण उदाहरणों की संख्या से अधिक होती है। यह डेटा बिंदुओं और भविष्यवाणियों की संख्या के साथ स्केल करता है। यह निरंतर और असतत दोनों डेटा को संभालता है।
• अप्रासंगिक विशेषताओं के प्रति मजबूती: यह अप्रासंगिक विशेषताओं के प्रति संवेदनशील नहीं है।
• छोटे प्रशिक्षण सेटों के साथ अच्छी तरह से काम करता है: सीमित प्रशिक्षण डेटा के साथ भी नैव बेयस उचित परिणाम प्रदान कर सकता है। यह उन स्थितियों को भी संभाल सकता है जहां प्रशिक्षण उदाहरणों की संख्या कम हो।

नैवे बेयस क्लासिफायर की सीमाएँ

नैवे बेयस में यंत्र अधिगम यह मानता है कि सभी विशेषताएँ एक दूसरे से स्वतंत्र हैं। इसलिए, यह डेटा में विभिन्न विशेषताओं के बीच संबंधों को नहीं सीख सकता है। यह प्रत्येक विशेषता को इस तरह से मानता है जैसे कि उसका दूसरों से कोई संबंध नहीं है।

दूसरी चेतावनी: इसमें बताई गई वर्ग संभावनाओं का सटीक मापन नहीं किया गया है, इसलिए किसी भविष्यवाणी से जुड़ा विश्वास आंकड़ा एक विश्वसनीय संभावना नहीं है।

इस समस्या से निपटने के लिए आप इसका उपयोग कर सकते हैं निर्णय के पेड़रैंडम फ़ॉरेस्ट, सपोर्ट वेक्टर मशीन (एसवीएम), तंत्रिका नेटवर्क इत्यादि। इन एल्गोरिदम में डेटा में मौजूद विशेषताओं के बीच जटिल संबंधों और निर्भरताओं को समझने की क्षमता होती है। इसलिए ये अधिक सटीक परिणाम दे सकते हैं।

नैवे बेयस क्लासिफायर के अनुप्रयोग

चूंकि यह एल्गोरिदम तेज़ और कुशल है, आप इसका उपयोग वास्तविक समय की भविष्यवाणियां करने के लिए कर सकते हैं।

स्पैम का पता लगाना

ईमेल सेवाएँ (जैसे Gmailईमेल स्पैम है या नहीं, यह निर्धारित करने के लिए इस एल्गोरिदम का उपयोग किया जाता है। यह एल्गोरिदम स्पैम फ़िल्टरिंग के लिए उत्कृष्ट है।

भावनाओं का विश्लेषण

यह शब्द चयन, वाक्य संरचना और संदर्भ जैसी विशेषताओं के आधार पर पाठ को सकारात्मक, नकारात्मक या तटस्थ के रूप में वर्गीकृत कर सकता है। इसका उपयोग सोशल मीडिया निगरानी, ​​ग्राहक समीक्षा और बाजार अनुसंधान में किया जाता है।

दस्तावेज़ वर्गीकरण

यह दस्तावेज़ में विशिष्ट शब्दों या विशेषताओं की उपस्थिति या आवृत्ति के आधार पर दस्तावेज़ों को खेल, राजनीति, प्रौद्योगिकी या वित्त जैसी श्रेणियों में वर्गीकृत कर सकता है।

सिफारिश करने वाले सिस्टम

यह उपयोगकर्ता की प्राथमिकताओं, ऐतिहासिक डेटा और आइटम सुविधाओं का विश्लेषण करके उत्पादों, फिल्मों या लेखों की सिफारिश करने के लिए उपयोगकर्ता की रुचियों या प्राथमिकताओं का अनुमान लगा सकता है।

इस क्लासिफायर एल्गोरिदम का उपयोग फेस रिकग्निशन, मौसम पूर्वानुमान, मेडिकल डायग्नोसिस, शॉपिंग आदि में भी किया जाता है।pingसमाचार वर्गीकरण आदि में आप नैव बेयस को लागू कर सकते हैं। Pythonजहां sklearn.naive_bayes मॉड्यूल ऊपर वर्णित सभी प्रकार प्रदान करता है।

अक्सर पूछे जाने वाले प्रश्न