“ TEORI BAYES”
Di susun Oleh :
M.Naufal Adib (1461505095)
Eka Putra Samudra P (1461505116)
Afif Rianto Putra (1461505133)
M.Ainun Najib (1461505145)
Fatihuddin (1461505168)
• PERKENALAN
Jaringan Bayesian (Pearl, 1988) sering digunakan untuk klasifikasi masalah pelajar
mencoba untuk membangun sebuah class dari himpunan contoh label kelas. Mengingat tes
misalnya x, di wakili oleh (atribut) vektor 〈a1; a2;…; am〉, Bayesian Network Classifiers
menggunakan persamaan berikut untuk mengklasifikasikan :
dimana c adalah himpunan semua kemungkinan label kelas c, dan c (x) adalah kelas label x
diproduksi oleh BNC
• PEKERJAAN TERKAIT
Kami mengambil e1, e2, e3 dan e4 sebagai contoh percobaan dan e5 sebagai
contoh pengujian. Jadi kami membangun NB, NB dengan korelasi berdasarkan fitur
pilihan (CFSNB), dan NB dengan pendekatan fitur menimbang (DFWNB) pada contoh
percobaan dan kemudian digunakan membangun penggolongan ke golongan e5,
berturut-turut.
Tabel 1
Penggolongan ketepatan kedudukan pengujian untuk NB, GRFWNB, RFWNB, DTFWNB, CFSFWNB, CFSNB, dan
DFWNB.
NB memberikan perkiraan yang kemudian memungkinkan perbandingan :
Demikian, NB kehilangan penggolongan e5. CFSNB digunakan CFS untuk memilih fitur A1 dan
demikian memberikan perkiraan yang kemudian memungkinkan perbandingan :
Demikian, CFSNB juga kehilangan penggolongan e5. DFENB juga menggunakan CFS untuk memilih
fitur A1, tapi itu memberikan perkiraan yang kemudian memungkinkan perbandingan :
Tabel 4
Kappa statistik perbandingan untuk NB melawan GRFWNB, RFWNB, DTFWNB, CFSFWNB, CFSNB, dan
DFWNB.
Tabel 5
Kappa statistik peringkat pengujian untuk NB, GRFWNB, RFWNB, DTFWNB, CFSFWNB, CFSNB, dan DFWNB
Dibandingkan dengan standart Naive Bayes, Naive Bayes dengan pendalaman fitur menimbang
(DFWNB) membutuhkan tambahan waktu untuk eksekusi korelasi berdasarkan cara fitur pilihan (CFS).
CFS hanya mengambil waktu kerumitan dari O(nm2) untuk menghitung awal hubungan matriks dan
pencarian pertama terbaik kira-kira persamaan kuadrat di nomer dari fitur.
• MENGADAPTASI FITUR MENIMBANG NAIVE BAYES UNTUK
PENGGOLONGAN TEKS
Perbandingan keakuratan klasifikasi NB lawan GRFWNB, RFWNB, DTFWNB, CFSFWNB, CFSNB, dan DFWNB
Tabel 7
Penggolongan keakuratan klasifikasi test NB lawan GRFWNB, RFWNB, DTFWNB, CFSFWNB, CFSNB, dan DFWNB
Tabel 8
Perbandingan statistik kappa NB melawan GRFWNB0, RFWNB0, DTFWNB0, CFSFWNB0, CFSNB, dan
DFWNB.
Tabel 9
Kappa statistik peringkat tes untuk NB, GRFWNB0, RFWNB0, DTFWNB0, CFSFWNB0, CFSNB, dan DFWNB.
Tabel 10
Klasifikasi akurasi peringkat tes NB, GRFSNB, RFSNB, CHIFSNB, CONFSNB, dan DFWNB.
• PERCOBAAN DAN HASIL
Bagian ini mengevaluasi kinerja fitur mendalami yang kami usulkan, (DFW) dari koleksi
36 dataset patokan dari University of California di Irvine (UCI) repositori (Frank dan Asuncion,
2010). Dalam percobaan kami, nilai-nilai fitur yang hilang digantikan dengan mode nilai fitur
nominal dan sarana nilai fitur numerik dari data yang tersedia.
Kami sekelompok mencoba untuk membandingkan standar naive Bayes (NB) berdasarkan
rasio-pembobotan (GRFWNB), naive Bayes dengan berbasis fitur pembobotan (RFWNB), naive
Bayes dengan keputusan pembobotan berbasis fitur pohon ( DTFWNB), naive Bayes dengan
fitur pembobotan berbasis CFS (CFSFWNB), naive Bayes dengan seleksi berdasarkan korelasi-
fitur (CFSNB), dan naif Bayes dengan fitur bobot yang mendalam (DFWNB). Kami menerapkan
pendekatan fitur dalam pembobotan (DFW) dari Waikato Environment untuk Analisis (Weka)
platform Pengetahuan (Witten dkk., 2011) dan menggunakan implementasi yang ada dari naive
Bayes dan CFS dalam platform WEKA (Witten et al., 2011) dan implementasi dari empat
pendekatan fitur pembobotan lainnya (GRFW, RFW, DTFW, dan CFSFW) oleh Hall (2007).
Tabel 12
Perbandingan statistik kappa untuk NB vs GRFSNB, RFSNB, CHIFSNB, CONFSNB, dan DFWNB.
Tabel 13
Tes untuk peringkat statistic kappa NB, GRFSNB, RFSNB, CHIFSNB, CONFSNB, dan DFWNB.
dari hasil perbandingan ini kita bisa melihat bahwa dengan pembobotan fitur Naive
Bayes jarang menurunkan pangkat mutu dari model yang membandingkan ke standar
naive Bayes dan dalam banyak kasus, meningkat secara dramatis, di ringkas sebagai
berikut :
Tabel 14
Perbandingan ketepatan klasifikasi untuk DFWNB vs RandomForest, SMO, dan Decision Table.
Tabel 15
Perbandingan waktu pelatihan berlalu untuk DFWNB vs RandomForest, SMO, dan DecisionTable
Tabel 17
Perbandingan keakuratan perbandingan MNB lawan R w ; c MNB, CFSMNB, DWMNB, MNBTree, dan DFWMNB.
Tabel 18
Perbandingan Keakuratan CNB Lawan Rw;c CNB, CFSCNB, D WCNB, CNBTree, dan DFWCNB.
Tabel 19
Perbandingan ketepatan OVA lawan Rw;c OVA, CFSOVA, DWOVA, OVATree, dan WDFOVA.
DFWMNB, DFWCNB, dan DFWOVA, berturut-turut. Grup yang pertama dari( Wang et al.,
2015 ), dan DFWMNB kita. Grup kedua dari percobaan perbandingan MNB dengan R w ; c MNB( Li
et al., 2012 ), mengadakan percobaan perbandingan antara CNB dengan R w ; c CNB, CFSCNB,
DWCNB, CFSMNB( Balai, 2000 ), DWMNB( Jiang et al., 2012b ), MNBTree CNBTree, dan DFWCNB
kita. Grup ketiga dari percobaan
PERNYATAAN RESMI
ucapan terima kasih banyak kepada Mark Hall yang telah menyediakan implementasi-
implementasinya untuk lainnya empat fitur pendekatan pembobotan (GRFW, RFW, DTFW, dan
CFSFW). National Natural Science Foundation dari Cina (61203287), Program untuk Bakat-bakat
baru di universitas (NCET - 12 - 0953), dan Program Chenguang dari Ilmu Pengetahuan Dan
Teknologi dari Wuhan (2015070404010202).
Kesimpulan
• Jaringan Bayesian sering digunakan untuk klasifikasi masalah pelajar
mencoba untuk membangun sebuah class dari himpunan contoh label
kelas. Dan perbandingan perbandingan antara fitur fitur yang ada di
dalamnya merupakan
Daftar Pustaka
Deep feature weighting for naive Bayes and its application to text classification