[ Week 2-2 ] Naive Bayes Model

Lecture : Machine Learning

Date : week 2, 2024/03/07

Topic : Naive Bayes Model

 

 

1. Bayes' Rule

2. Naive Bayes Model

   1) Model's Assumption

   2) Model's Prediction

   3) Smoothing

   4) 장단점

3. Naive Bayes Model 예제 

 

---

1. Bayes' Rule (베이즈 정리)

: 주어진 데이터로부터 Posterior Probability를 계산하기 위한 식 

출처 : https://sanghyu.tistory.com/10

 

• X : Observation, 가지고 있는 instance 데이터
• Θ : Hypothesis, 데이터로 예측하려는 값 
• P(X) : Marginal probability, likelihood of observing X in data
• P(Θ) : Prior probability(사전확률), belief in H before the observation 
• P(X|Θ) : Likeihood, H가 참일때 likelihood of observing X 
• P(Θ|X) : Posterior probability(사후확률), belief in H given observation X 

 

 

 

 

2. Naive Bayes Model

(위키백과) 특성들 사이의 독립을 가정하는 베이즈 정리를 적용한 확률 분류기(Classification model)

 

 

1) Model's Assumption

different attributes are statistically independent given the classes
각 class 내에서 모든 attribute들의 확률은 서로 독립적이다

 

 

 

2) Model's prediction

출처 : https://arkainoh.blogspot.com/2018/07/nbc.html

 

- 사후확률을 가장 높게 만드는 class의 label로 분류하는 Classification Model  

- 주어진 데이터 X에 대하여 각 class에 속할 사후확률을 계산하고, 그 값이 가장 높은 class로 분류하는 방식 

- 사후확률을 계산하기 위해 베이즈 정리를 활용하며, 이때 모든 attributes 간 독립성을 가정 

 

① Prior probability : 주어진 데이터로부터 각 class C에 속할 확률 계산 

② Likeihood  : 주어진 데이터로부터 각 class C 내서 X가 관측될 확률 계산 

③ 데이터로부터 얻은 위 3가지 확률값과 베이지 정리를 통해 사후확률 계산

④ 사후확률 값이 가장 높은 class C로 X를 분류 

 

 

 

3) Smoothing

Naive Bayes Model 문제점 : unobserved events의 사후확률 값이 0 
==> Smoothing : treat unobserved events as possible but unlikely

 

- 훈련 데이터에 없는 event인 경우 사후 확률값이 0으로 계산됨 

- 모든 Class 중 어느 하나라도 P(X|C) = 0 이면, 사후확률 값은 0이 되기 때문에 

- 단지 기존 데이터에 없다는 이유로 현실에서 발생하지 않을 것으로 보는 문제 

 

==> unobserved events에 매우 작은 발생 확률을 부과 

① Simple Smoothing : 0을 ε(small positive constant)으로 대체하기 

② Laplace Smoothing : 모든 event의 발생 횟수를 α(between 0 and 1)만큼 늘리기 

 

 

 

4) 장단점

- 장점

• 모델 가정이 단순하고 생성이 쉬움 
• 훈련시 데이터의 크기에 큰 영향을 받지 않아 큰 규모의 학습데이터에서도 잘 작동함 
• 모델 결과의 이유를 이해하고 설명하기 쉬움 (Explainable) 
   

- 단점

• P(X|C) 사전확률에 결측치가 많은 경우 정확도가 떨어짐 
• attributes 간 독립성 가정이 적절하지 않은 경우에 부적합함 

 

 

 

 

 

3. Naive Bayes Model 예제 

- train data : 14가지 instances 

 

- test data 

출처 : https://www.saedsayad.com/naive_bayesian.htm

 

 

1) Prior probability 계산하기 

 

 

2) Likelihood 계산하기 

출처 : https://www.saedsayad.com/naive_bayesian.htm

 

 

3) Post probability 계산하기 

- Naive Bayes Model의 가정 이용 

- all features are independent given the class

all features are independent given the class

 

 

4) Label prediciton 

- 사후확률 값이 더 높은 No로 분류

 

 

 

 

 

 

 

Reference

https://sanghyu.tistory.com/10
https://gsbang.tistory.com/entry/%EA%B8%B0%EA%B3%84%ED%95%99%EC%8A%B5-%EB%82%98%EC%9D%B4%EB%B8%8C-%EB%B2%A0%EC%9D%B4%EC%A6%88Naive-Bayes-%EC%9B%90%EB%A6%AC#recentComments

https://www.saedsayad.com/naive_bayesian.htm