2. 1
Temas
Introducción
Conceptos y notación
Teorema de Bayes
Clasificación
Discusión
Naive Bayes
Planteamiento
Definición del método
Fin
Información de contacto
Ricardo Corral Corral rcorral@email.ifc.unam.mx | Clasificación Bayesiana
14. 7
Teorema de Bayes
otro ejemplo
D es el evento de que un atleta utilize PEDs
(performance-enhancing drugs)
T evento de que una prueba de PEDs de positivo
El laboratorio que realiza el test asegura que puede detectar el uso
de PEDs el 90% de las ocasiones. Además, la razón de falsos
positivos es del 15%. Se sabe también que el 10% de los atletas
utiliza PEDs.
P(D | T) =
P(D)P(T | D)
P(T | D)P(D) + P(T | D )P(D )
Ricardo Corral Corral rcorral@email.ifc.unam.mx | Clasificación Bayesiana
15. 7
Teorema de Bayes
otro ejemplo
D es el evento de que un atleta utilize PEDs
(performance-enhancing drugs)
T evento de que una prueba de PEDs de positivo
El laboratorio que realiza el test asegura que puede detectar el uso
de PEDs el 90% de las ocasiones. Además, la razón de falsos
positivos es del 15%. Se sabe también que el 10% de los atletas
utiliza PEDs.
P(D | T) =
P(D)P(T | D)
P(T | D)P(D) + P(T | D )P(D )
P(D | T) =
0.90.1
0.90.1 + 0.150.9
= 0.4
Ricardo Corral Corral rcorral@email.ifc.unam.mx | Clasificación Bayesiana
17. 9
Naive Bayes
planteamiento
Probabilidad de pertenencia a una clase
¿Cuál es la probabilidad de que una muestra x1, x2, ..., xm pertenezca
a la clase C?
P(C | x1, x2, ..., xm) =?
Ricardo Corral Corral rcorral@email.ifc.unam.mx | Clasificación Bayesiana
18. 10
Naive Bayes
definición
Predicción de la clase más probable
¿Cuál es la mejor predicción de una clase para la observación
x1, x2, ..., xm ?
Cpred (x1, x2, ..., xm) = argmax
c
P(c)
m
i
P(xi | c)
Algunas modificaciones convenientes; log-probas y correción de
Laplace (Laplace smoothing o Lidstone smoothing en el caso
general)
Ricardo Corral Corral rcorral@email.ifc.unam.mx | Clasificación Bayesiana
19. 11
Naive Bayes
características
Modelo sencillo, fácil de implementar
Convergencia más rápida que con otros métodos discriminativos
(aprende bien de pocos datos de entrenamiento)
El cálculo de los marginales es independiente (los conteos de
atributos para cada clase se pueden hacer en paralelo)
Bastante efectivo si se mantiene la independencia condicional, si
no, en la práctica aún puede dar resultados buenos.
Puede no comportarse bien con clases no balanceadas
Ricardo Corral Corral rcorral@email.ifc.unam.mx | Clasificación Bayesiana
20. 12
Contacto
dudas y cosas así
Ricardo Corral Corral
rcorral@email.ifc.unam.mx
Ricardo Corral Corral rcorral@email.ifc.unam.mx | Clasificación Bayesiana
