Logistik regressiya, ayniqsa, tasniflash uchun mo'ljallangan, mustaqil o'zgaruvchilar to'plami bog'liq o'zgaruvchining natijasiga qanday ta'sir qilishini tushunishda foydalidir
Logistik regressiya, ayniqsa, tasniflash uchun mo'ljallangan, mustaqil o'zgaruvchilar to'plami bog'liq o'zgaruvchining natijasiga qanday ta'sir qilishini tushunishda foydalidir.
Logistik regressiya algoritmining asosiy kamchiligi shundaki, u faqat taxmin qilingan o'zgaruvchi ikkilik bo'lganda ishlaydi, u ma'lumotlar etishmayotgan qiymatlardan xoli bo'ladi va taxminchilar bir-biridan mustaqil deb taxmin qiladi.
Bu Bayes teoremasi asosida sinflashtirish algoritmi bo'lib, bashorat qiluvchilar orasida mustaqillikni taxmin qiladi. Oddiy so'zlar bilan aytganda, Naive Bayes klassifikatori sinfda ma'lum bir xususiyatning mavjudligi boshqa xususiyatlarning mavjudligi bilan bog'liq emas deb hisoblaydi.
Xususiyatlar bir-biriga bog'liq bo'lsa ham, ushbu xususiyatlarning barchasi ehtimollikka mustaqil ravishda hissa qo'shadi. Naive Bayes modelini yaratish oson va nisbatan katta ma'lumot to'plamlari uchun juda foydali. Oddiy yondashuv bilan ham, Naive Bayes mashina o'qitishda sinflashtirish usullarining aksariyatidan ustun ekanligi ma'lum. Quyidagi sodda Bayes teoremasini amalga oshirish uchun Bayes teoremasi keltirilgan:
Naive Bayes tasniflagichi natijalarni olish uchun kerakli parametrlarni taxmin qilish uchun oz miqdordagi o'quv ma'lumotlarini talab qiladi. Ular tabiatda boshqa klassifikatorlarga nisbatan nihoyatda tezdir.
Yagona kamchiligi shundaki, ular yomon taxminchi ekanligi ma'lum.