Naive Bayes Frutas Exemplo

Vamos testá-lo em um exemplo para aumentar a nossa compreensão:

Vamos dizer que nós temos dados sobre 1000 peças de fruta. Eles serao banana, laranja ou algumas outras frutas. Sabemos 3 características sobre cada fruta:

• Se é longo
• Se é doce e
• Se sua cor é amarela.

Este é o nosso "conjunto de treinamento." Vamos usar isso para prever o tipo de qualquer nova fruta que encontramos.

 

Podemos pré-computar um monte de coisas sobre a nossa coleção da fruta.

As chamadas "Prior" probabilidades. (Se não conhecia nenhum dos atributos de fruto, esta seria a nossa suposição.) Estas são as nossas taxas de base.

 P(Banana)         = 0.5 (500/1000)
 P(Laranja)        = 0.3 (300/1000)
 P(Outras Fruitas) = 0.2 (200/1000)

Probabilidade de "Evidence"

p(Longo)   = 0.5  (500/1000)
P(Doce)    = 0.65 (650/1000)
P(Amarelo) = 0.8  (800/1000)

Probabilidade de "Likelihood"

P(Longo|Banana)  = 0.8 (400/500)
P(Longo|Laranja) = 0   (0/300)[Laranjas nunca estão longas no todas as frutas que temos visto.]
 ....

P(Amarelo|Outras Fruitas)     =  50/200 = 0.25
P(Nao Amarelo|Outras Fruitas) = 150/200 = 0.75

 Dada uma fruta, como classificá-lo?

Digamos que nos são dadas as propriedades de uma fruta desconhecida, e pediu para classificá-lo. Somos informados de que o fruto é longo, doce e amarelo. É uma banana? É uma laranja? Ou é algum outro Fruit?

Podemos simplesmente executar os números para cada um dos 3 resultados, uma por uma. Em seguida, escolha a maior probabilidade e 'classificar' nosso fruto desconhecido como pertencendo à classe que teve a maior probabilidade com base em nossas provas antes (a nossa 1000 frutas conjunto de treinamento):

Por uma margem esmagadora (0,969 >> 0,072), classificamos este / Long fruta doce / amarelo como provável que seja uma banana. 

Fonte: http://stackoverflow.com/questions/10059594/a-simple-explanation-of-naive-bayes-classification