클래스: 인공지능 소개

무료이용으로 수강해 보세요.

업계 전문가가 강의하는 클래스 23,100개를 수강하세요.

나이브 베이즈(Naive Bayes)

나이브 베이즈(Naive Bayes)

클래스: 인공지능 소개

1개월 무료이용 시작 단체용 구매

나이브 베이즈(Naive Bayes)

“

우리는 때때로 가장 가까운 이웃을 기준으로 항목을 분류할 수 있다는 것을 확인했습니다. 데이터의 추세를 기준으로 분류할 수도 있습니다. 그러나 때로는 데이터의 다양한 특징으로 항목을 분류하고 싶을 수도 있습니다. 여기에 '나이브 베이즈'라는 것을 사용할 수 있습니다. 나이브 베이즈는 가장 널리 사용되는 머신러닝 알고리즘 중 하나입니다. 이는 모든 예측 변수가 서로 독립적이라고 가정하기 때문에 '나이브'합니다. 동물 보호소로 돌아가 볼까요? 품종에 따라 모든 개를 분류하고 싶다고 상상해 보세요. 나이브 베이즈 머신러닝 알고리즘을 사용해 문제를 살펴보겠습니다. 먼저 세 가지 종류의 개 품종을 만들어 보겠습니다. 우리는 테리어, 하운드, 사냥개를 사용할 것입니다. 이제 이러한 각 클래스에 대해 세 가지 기능을 예측 변수로 사용하겠습니다. 머리카락 길이, 키 몸무게를 활용해 보겠습니다. 이러한 예측 변수 중 일부는 자동 상관 관계가 밀접하게 연관되어 있다는 점을 기억하세요. 키가 큰 개는 몸무게가 더 나을 가능성이 더 높습니다. 그러나 나이브 베이즈는 이러한 예측 변수 각각을 독립적으로 고려합니다. 그것이 '나이브'하다고 불리는 이유입니다. 클래스와 예측 변수를 설정하면 나이브 베이즈는 클래스 예측 확률이라는 작업을 수행합니다. 이것은 각 예측 변수를 보고 개가 이 클래스에 속할 확률을 생성하는 시점이죠. 그럼 알려지지 않은 개를 식별하려고 하면 어떤 일이 일어나는지 살펴보겠습니다. 우리가 보는 첫 번째 예측 변수는 머리카락 길이입니다. 머신러닝 알고리즘은 이 털 길이를 가진 개가 세 가지 품종에 속할 확률을 확인합니다. 이 털 길이를 가진 개가 테리어일 확률은 40%, 하운드일 확률은 10% 사냥개일 확률은 50%라는 것을 알아냈습니다. 다음으로 확인할 것은 알 수 없는 개의 키입니다. 이 예측 변수를 독립적으로 살펴보고 예측 변수 확률을 계산하려고 시도합니다. 그래서 학습 데이터를 보고 테리어일 확률이 20% 하운드일 확률이 10% 사냥개일 확률이 70%라는…

목차