Pengertian Algoritma Klasifikasi Naive Bayes

LancangKuning - Algoritma Naive Bayes ialah suatu metode klasifikasi memakai tata cara probabilitas serta statistik yg dikemukakan oleh ilmuwan Inggris Thomas Bayes. Algoritma Naive Bayes memprediksi kesempatan di masa depan bersumber pada pengalaman di masa tadinya sehingga diketahui selaku Teorema Bayes. Karakteristik utama dokter Naïve Bayes Classifier ini merupakan anggapan yg sangat kokoh (naïf) hendak independensi dari tiap- tiap keadaan/ peristiwa.

Definisi lain berkata Naïve Bayes ialah pengklasifikasian dengan tata cara probabilitas serta statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, ialah memprediksi kesempatan di masa depan bersumber pada pengalaman di masa tadinya.

Naïve Bayes didasarkan pada anggapan penyederhanaan kalau nilai atribut secara kondisional silih leluasa bila diberikan nilai output. Dengan kata lain, diberikan nilai output, probabilitas mengamati secara bersama merupakan produk dari probabilitas orang. Keuntungan pemakaian Naive Bayes merupakan kalau tata cara ini cuma memerlukan jumlah informasi pelatihan (Training Informasi) yang kecil buat memastikan ditaksir parameter yang dibutuhkan dalam proses pengklasifikasian. Naive Bayes kerap bekerja jauh lebih baik dalam mayoritas suasana dunia nyata yang lingkungan dari pada yang diharapkan.

Naive Bayes Classifier dinilai bekerja sangat baik dibandingkan dengan model classifier yang lain, ialah Naïve Bayes Classifier mempunyai tingkatan akurasi yg lebih baik dibandingkan model classifier yang lain.

Kelebihan serta Kekurangan

Kelebihan:

• Teori Bayesian, memiliki sebagian kelebihan (Grainner 1998), ialah:
• Mudah buat dipahami
• Hanya membutuhkan pengkodean yang sederhana
• Lebih kilat dalam penghitungan
• Menangani kuantitatif serta informasi diskrit
• Kokoh buat titik noise yang diisolasi, misalkan titik yang dirata– ratakan kala mengestimasi kesempatan bersyarat informasi.
• Hanya membutuhkan beberapa kecil informasi pelatihan buat mengestimasi parameter( rata– rata serta variasi dari variabel) yang diperlukan buat klasifikasi.
• Menangani nilai yang lenyap dengan mengabaikan lembaga sepanjang perhitungan ditaksir peluang
• Cepat serta efisiensi ruang
• Kokoh terhadap atribut yang tidak relevan

Kekurangan

Sebaliknya kekurangan dari Teorema ini merupakan:

• Kekurangan dari Teori probabilitas Bayesian yang banyak dikritisi oleh para ilmuwan merupakan sebab pada teori ini, satu probabilitas saja tidak dapat mengukur seberapa dalam tingkatan keakuratannya. Dengan kata lain, kurang fakta buat meyakinkan kebenaran jawaban yang dihasilkan dari teori ini.
• Tidak berlaku bila probabilitas kondisionalnya merupakan 0( nol), apabila nol hingga probabilitas prediksi hendak bernilai nol juga
• Mengasumsikan variabel bebas

Laplace Correction

Laplace Correction (Laplacian Estimator) ataupun additive smoothing merupakan sesuatu metode buat menanggulangi nilai probabilitas 0 (nol). Dari sekian banyak informasi di training set, pada tiap perhitungan informasinya ditambah 1 (satu) serta tidak hendak membuat perbandingan yang berarti pada ditaksir probabilitas sehingga dapat menjauhi permasalahan nilai probabilitas 0 (nol). Laplace Correction ini bisa dinyatakan dalam persamaan semacam pada persamaan berikut ini.

Penjelasan:

• ρi: probabilitas dari atribut mi
• mi: jumlah ilustrasi dalam kelas dari atribut mi
• k: jumlah kelas dari atribut mi
• n: jumlah sampel

Selaku contoh, asumsikan terdapat class Pemakaian Listrik=rendah di sesuatu training set, mempunyai 4 ilustrasi, terdapat 0 ilustrasi dengan Perlengkapan=sedikit, 0 ilustrasi dengan Perlengkapan=sedang, serta 4 ilustrasi dengan Perlengkapan=banyak.

Probabilitas dari peristiwa ini tanpa Laplacian Correction adalah

• P( Perlengkapan=sedikitPenggunaan Listrik=rendah)=0,
• P( Perlengkapan=sedangPenggunaan Listrik=rendah)=0, dan
• P( Perlengkapan=banyakPenggunaan Listrik=rendah)=1. 000( dari 4/ 4).

Memakai Laplacian Correction dari 3 peristiwa diatas, diasumsikan terdapat 1 ilustrasi lagi buat masing– masing nilai Pemakaian Listrik=sedang. Dengan metode ini, didapatkanlah probabilitas selaku berikut (dibulatkan jadi 3 angka dibelakang koma):

• P( Perlengkapan=sedikitPenggunaan Listrik=rendah)=0. 142( dari 1/ 7),
• P( Perlengkapan=sedangPenggunaan Listrik=rendah)=0. 142( dari 1/ 7), dan
• P( Perlengkapan=banyakPenggunaan Listrik=rendah)=0. 714( dari 5/ 7)

Probabilitas yang" dibenarkan" hasilnya tidak berbeda jauh dengan hasil probabilitas tadinya sehingga nilai probabilitas 0 (nol) bisa dihindari.(Arif)