طبقه‌بندی کننده بیز ساده (Naive Bayes) طبقه‌بندی کننده ساده و شناخته شده‌ای است که در مواقعی که تعداد مشاهدات کمی در دسترس باشد نیز عمل‌کرد خوبی دارد. در این آموزش یک طبقه‌بندی کننده بیز ساده گاوسی (Gaussian Naive Bayes) را از پایه ایجاد خواهیم کرد و با استفاده از آن، کلاس (طبقه‌بندی یا برچسب) نقاط داده که از قبل دیده نشده‌اند را پیش‌بینی می‌کنیم.
سلام.
درحال نوشتن یک پست راجع به طبقه‌بندی‌کننده بیز ساده (Naive Bayes) هستم و در حین نوشتنش به مفهومی به نام Likelihood برخورد کردم و فکر کردم که به این مفهوم، جاهای مختلفی اشاره شده و این که شاید بد نباشه که قبل از انتشار اون پست، یه کم در موردش بنویسم. البته این یک مفهوم آماری هست و خب طبیعتا درگیر ریاضیات میشه که من در این پست قصد ندارم راجع بهشون بنویسم و فقط به مفهوم و تعریف‌ها اشاره می‌کنم. ولی اگر علاقمند باشید خودتون می‌تونید ریاضیاتش را در ویکیپدیا مطالعه کنید.
در این پست قصد دارم که مختصری راجع به درخت تصمیم توضیح بدم و در ادامه به زبان پایتون مثالی رو برای اون پیاده‌سازی کنم.
توجه کنید که امروز قصد ندارم که راجع به جزییات خود الگوریتم صحبت کنم. (شاید در آینده این کارو هم بکنم)
این قسمت دوم از آموزش‌های ریاضی مربوط به ماشین‌های بردار پشتیبان است. اگر قسمت‌های قبلی را هنوز مطالعه نکرده‌اید، می‌توانید آموزش را از قسمت اول با مطالعه مقاله: SVM – درک مفاهیم ریاضی مورد نیاز – قسمت اولشروع کنید.
مقدمه:
این اولین قسمت از مقاله‌هایی هست که قصد دارم راجع به ریاضیات پشت(مربوط) به SVM بنویسم. حرف‌های زیادی در مورد پیش‌زمینه ریاضی که معمولا ضروری هم هست میشه زد. با این وجود من سعی می‌کنم که آروم پیش برم تا بتونم توضیح‌های عمیق‌تری رو بدم که همه چیز تا حد امکان حتی برای مبتدی‌ها شفاف باشه.
اگر شما تازه‌کار هستین و مایلید که قبل از ورود به بحث‌های ریاضی، بیشتر راجع به SVM بدونید، پیشنهاد می‌کنم این مقاله را هم مطالعه کنید: آشنایی با ماشین بردار پشتیبان (SVM) – مرور کلی
اگه علاقمند هستید که راجع به ماشین بردار پشتیبان (SVM) بیشتر یاد بگیرید و جزییات آن را بدانید، آدرس درستی را انتخاب کرده‌اید. چون در این پست و پست‌های بعدی، من(پیمان برجوییان) قصد دارم راجع به SVM بنویسم. در واقع این پست میشه فهرستی برای بقیه مطالب مربوط به SVM و بالت‌هایی که اینجا می‌بینید در آینده به لینک‌هایی تبدیل خواهند شد و شما را به صفحات مربوط به خودشون راهنمایی خواهند کرد. منبع اصلی این مطلب‌ها کتاب آقای Alexandre Kowalczyk هست و از ایشون بابت این‌که اجازه دادن از مطلب‌هاشون استفاده و اونا رو به فارسی ترجمه و منتشر کنم، تشکر می‌کنم. ادامه‌ی خواندن