Multinomial Naive Bayes explicado: função, vantagens e desvantagens, aplicações em 2022
Publicados: 2021-01-03Índice
Introdução
Existem milhares de softwares ou ferramentas para análise de dados numéricos, mas são muito poucos para textos. Multinomial Naive Bayes é uma das classificações de aprendizado supervisionado mais populares que é usada para a análise dos dados de texto categórico.
A classificação de dados de texto está ganhando popularidade porque há uma enorme quantidade de informações disponíveis em e-mail, documentos, sites, etc. que precisam ser analisadas. Conhecer o contexto em torno de um determinado tipo de texto ajuda a encontrar a percepção de um software ou produto para os usuários que irão utilizá-lo.
Este artigo lhe dará uma compreensão profunda do algoritmo multinomial Naive Bayes e todos os conceitos relacionados a ele. Passamos por uma breve visão geral do algoritmo, como ele funciona, seus benefícios e suas aplicações.
O que é o algoritmo Multinomial Naive Bayes?
O algoritmo Multinomial Naive Bayes é um método de aprendizado probabilístico que é usado principalmente em Processamento de Linguagem Natural (PLN). O algoritmo é baseado no teorema de Bayes e prevê a tag de um texto, como um pedaço de e-mail ou artigo de jornal. Ele calcula a probabilidade de cada tag para uma determinada amostra e, em seguida, fornece a tag com a maior probabilidade como saída.
O classificador Naive Bayes é uma coleção de muitos algoritmos onde todos os algoritmos compartilham um princípio comum, ou seja, cada recurso sendo classificado não está relacionado a nenhum outro recurso. A presença ou ausência de um recurso não afeta a presença ou ausência do outro recurso.
Participe do Treinamento de Aprendizado de Máquina on-line das principais universidades do mundo - Mestrados, Programas de Pós-Graduação Executiva e Programa de Certificado Avançado em ML e IA para acelerar sua carreira.
Como funciona o Multinomial Naive Bayes?
Naive Bayes é um algoritmo poderoso que é usado para análise de dados de texto e com problemas com várias classes. Para entender o funcionamento do teorema de Naive Bayes, é importante entender primeiro o conceito do teorema de Bayes, pois é baseado no último.
O teorema de Bayes, formulado por Thomas Bayes, calcula a probabilidade de um evento ocorrer com base no conhecimento prévio das condições relacionadas a um evento. É baseado na seguinte fórmula:
P(A|B) = P(A) * P(B|A)/P(B)
Onde estamos calculando a probabilidade da classe A quando o preditor B já é fornecido.
P(B) = probabilidade anterior de B
P(A) = probabilidade anterior de classe A
P(B|A) = ocorrência do preditor B dada a probabilidade de classe A
Essa fórmula ajuda a calcular a probabilidade das tags no texto.
Vamos entender o algoritmo Naive Bayes com um exemplo. Na tabela abaixo, pegamos um conjunto de dados de condições climáticas com sol, céu nublado e chuva. Agora, precisamos prever a probabilidade de os jogadores jogarem com base nas condições climáticas.
Deve ler: Introdução a Naive Bayes
Conjunto de dados de treinamento
| Clima | Ensolarado | Nublado | Chuvoso | Ensolarado | Ensolarado | Nublado | Chuvoso | Chuvoso | Ensolarado | Chuvoso | Ensolarado | Nublado | Nublado | Chuvoso |
| Jogar | Não | sim | sim | sim | sim | sim | Não | Não | sim | sim | Não | sim | sim | Não |
Isso pode ser facilmente calculado seguindo as etapas abaixo:
Crie uma tabela de frequência do conjunto de dados de treinamento fornecido na declaração do problema acima. Liste a contagem de todas as condições meteorológicas em relação à respectiva condição meteorológica.
| Clima | sim | Não |
| Ensolarado | 3 | 2 |
| Nublado | 4 | 0 |
| Chuvoso | 2 | 3 |
| Total | 9 | 5 |
Encontre as probabilidades de cada condição meteorológica e crie uma tabela de probabilidade.
| Clima | sim | Não | |
| Ensolarado | 3 | 2 | =5/14(0,36) |
| Nublado | 4 | 0 | =4/14(0,29) |
| Chuvoso | 2 | 3 | =5/14(0,36) |
| Total | 9 | 5 | |
| =9/14 (0,64) | =5/14 (0,36) |
Calcule a probabilidade posterior para cada condição meteorológica usando o teorema de Naive Bayes. A condição meteorológica com maior probabilidade será o resultado de os jogadores jogarem ou não.
Use a seguinte equação para calcular a probabilidade posterior de todas as condições meteorológicas:
P(A|B) = P(A) * P(B|A)/P(B)
Após substituir as variáveis na fórmula acima, obtemos:
P(Sim|Ensolarado) = P(Sim) * P(Ensolarado|Sim) / P(Ensolarado)
Pegue os valores da tabela de probabilidade acima e coloque-os na fórmula acima.
P(Ensolarado|Sim) = 3/9 = 0,33, P(Sim) = 0,64 e P(Ensolarado) = 0,36
Portanto, P(Sim|Ensolarado) = (0,64*0,33)/0,36 = 0,60
P(Não|Ensolarado) = P(Não) * P(Ensolarado|Não) / P(Ensolarado)
Pegue os valores da tabela de probabilidade acima e coloque-os na fórmula acima.
P(Ensolarado|Não) = 2/5 = 0,40, P(Não) = 0,36 e P(Ensolarado) = 0,36
P(Não|Ensolarado) = (0,36*0,40)/0,36 = 0,6 = 0,40
A probabilidade de jogar em condições de tempo ensolarado é maior. Assim, o jogador jogará se o tempo estiver ensolarado.
Da mesma forma, podemos calcular a probabilidade posterior de condições de chuva e nublado, e com base na probabilidade mais alta; podemos prever se o jogador vai jogar.
Checkout: modelos de aprendizado de máquina explicados
Vantagens
O algoritmo Naive Bayes tem as seguintes vantagens:
- É fácil de implementar, pois você só precisa calcular a probabilidade.
- Você pode usar esse algoritmo em dados contínuos e discretos.
- É simples e pode ser usado para prever aplicações em tempo real.
- É altamente escalável e pode lidar facilmente com grandes conjuntos de dados.
Desvantagens
O algoritmo Naive Bayes tem as seguintes desvantagens:
- A precisão de previsão deste algoritmo é menor do que os outros algoritmos de probabilidade.
- Não é adequado para regressão. O algoritmo Naive Bayes é usado apenas para classificação de dados textuais e não pode ser usado para prever valores numéricos.
Formulários
O algoritmo Naive Bayes é usado nos seguintes locais:
- Reconhecimento facial
- Previsão do tempo
- Diagnóstico médico
- Detecção de spam
- Identificação de idade/sexo
- Identificação do idioma
- Análise sentimental
- Identificação de autoria
- Classificação de notícias
Conclusão
Vale a pena aprender o algoritmo Multinomial Naive Bayes, pois tem tantas aplicações em diversos setores, e as previsões feitas por este algoritmo são muito rápidas. A classificação de notícias é um dos casos de uso mais populares do algoritmo Naive Bayes. É muito usado para classificar notícias em diferentes seções, como política, regional, global e assim por diante.
Este artigo cobre tudo o que você deve saber para começar com o algoritmo Multinomial Naive Bayes e o funcionamento do classificador Naive Bayes passo a passo.
Se você estiver interessado em aprender mais sobre IA, aprendizado de máquina, confira o Programa PG Executivo do IIIT-B e do upGrad em Machine Learning e IA , projetado para profissionais que trabalham e oferece mais de 450 horas de treinamento rigoroso, mais de 30 estudos de caso e atribuições , IIIT-B Alumni status, mais de 5 projetos práticos práticos e assistência de trabalho com as principais empresas.
O que você quer dizer com algoritmo multinomial naive bayes?
O algoritmo Multinomial Naive Bayes é uma abordagem de aprendizagem Bayesiana popular em Processamento de Linguagem Natural (NLP). O programa adivinha a tag de um texto, como um e-mail ou uma notícia de jornal, usando o teorema de Bayes. Ele calcula a probabilidade de cada tag para uma determinada amostra e gera a tag com a maior chance. O classificador Naive Bayes é composto de vários algoritmos que têm uma coisa em comum: cada recurso classificado não está relacionado a nenhum outro recurso. A existência ou ausência de um recurso não tem influência na inclusão ou exclusão de outro recurso.
Como funciona o algoritmo multinomial naive bayes?
O método Naive Bayes é uma ferramenta forte para analisar a entrada de texto e resolver problemas com várias classes. Como o teorema de Naive Bayes é baseado no teorema de Bayes, é necessário primeiro compreender a noção do teorema de Bayes. O teorema de Bayes, desenvolvido por Thomas Bayes, estima a probabilidade de ocorrência com base no conhecimento prévio das condições do evento. Quando o próprio preditor B está disponível, calculamos a probabilidade da classe A. Ela é baseada na fórmula abaixo: P(A|B) = P(A) * P(B|A)/P(B).
Quais são as vantagens e desvantagens do algoritmo multinomial naive bayes?
É simples de implementar porque tudo o que você precisa fazer é calcular a probabilidade. Essa abordagem funciona com dados contínuos e discretos. É simples e pode ser usado para prever aplicações em tempo real. É muito escalável e pode lidar com enormes conjuntos de dados com facilidade.
A precisão de previsão desse algoritmo é menor do que a de outros algoritmos de probabilidade. Não é apropriado para regressão. A técnica Naive Bayes só pode ser usada para classificar a entrada textual e não pode ser usada para estimar valores numéricos.