Bajardi: Xayitov Zuhriddin Tekshirdi: Raximov Mexriddin Toshkent – 2022 Naif Bayes algoritmiga kirish Naif Bayes algoritmlari

library(klaR)
naive_iris <- NaiveBayes(iris$Species ~ ., data = iris)
naive_iris$tables$Petal.Width
## [,1] [,2]
## setosa 0.246 0.1053856
## versicolor 1.326 0.1977527
## virginica 2.026 0.2746501

Har bir metrik mustaqil o'zgaruvchi uchun o'rtacha Petal.Width qiymatlari (birinchi ustun) va ularning standart og'ishlari (ikkinchi ustun) har bir tanlangan sinf uchun olingan. Aniqlanishi mumkinki, bokira irisning gulbarglari kengligi boshqa ikki turga qaraganda ancha yuqori:

O'lchangan o'zgaruvchilarning sinf belgilari bilan bog'liqligini vizual qiyosiy baholash uchun shartli ehtimollik zichligi yadro funktsiyalarini ko'rib chiqish qulay (2-rasm):
plot(naive_iris, lwd = 2)


2-rasm: Iris ma'lumotlar to'plamidan bashorat qiluvchilar uchun shartli ehtimollik asosiy zichlik egri chiziqlari

Keling, o'quv to'plamidagi ob'ektlar uchun irislar turini taxmin qilaylik:

pred <- predict(naive_iris, iris[, -5])$class
(table(Факт = iris$Species, Прогноз = pred))
## Прогноз
## Факт setosa versicolor virginica
## setosa 50 0 0
## versicolor 0 47 3
## virginica 0 3 47
Acc <- mean(pred == iris$Species)
paste("Точность=", round(100*Acc, 2), "%", sep = "")
## [1] "Точность=96%"

Keling, test holatlarida bashorat qilish sifatini aniqlash uchun tuzilgan modelni 10 marta o'zaro tekshiramiz. Shu bilan birga, biz chastotalar bo'yicha ehtimolliklarni hisoblash protsedurasining ba'zi giperparametrlarining qiymatlarini aniqlaymiz: yadro tekislashdan foydalanish kerakmi (usekernel = TRUE) yoki normal taqsimotni qabul qilish mumkinmi va Laplas fL ehtimolini tuzatish kerak. Buning uchun biz karet paketidagi train() funksiyasidan yana foydalanamiz: