سه شنبه 21 مرداد 1399 | Tuesday 11 th of August 2020 صفحه اصلی گروه الکترونیکی کامپیوتر
3-2-2-1-1 مقدمه

یادگیری Bayesianیک رویکرد احتمالی برای دسته بندی است که یک متد مقداری برای وزن دهی به شواهد مرتبط با فرضیه های مختلف را با استفاده توام از توزیع احتمالات و داده های مشاهده شده فراهم می نماید . این نتیجه ، مزیت های زیادی دارد . اول اینکه ، یک روش انعطاف پذیر برای یادگیری فراهم می کند ، چون هر نمونه اموزش مشاهده شده می تواند احتمال مورد انتظار ، که یک فرضیه خاص درست است ، را کاهش یا افزایش دهد ، ولی نمی تواند کاملا فرضیه را حذف کند .

دومین مزیت این یادگیری این است که می تواند فرضیه احتمالی را (به عنوان خروجی)نتیجه دهد . مثلا "بیمار90% شانس این را دارد که بیماریش اوت نکند " . که این در تضاد است با بسیاری از دسته بندی کننده هایی که معمولا با بعضی امتیازها که به راحتی قابل تفسیر نیست یک احتمال واحد محتمل را به عنوان خروجی می دهد. سایر مزایا توانایی ترکیب دانش پیشین (مثلا استفاده از احتمالهای متفاوت پیشین برای هر فرضیه منتخب) و ترکیب فرضیه های متعدد بوسیله وزن دادن به احتمال هایشان  را شامل می شود . یک مشکل کاربردی اینست که این متد ها به دانش اولیه راجع به بسیاری احتمالات نیاز دارند . در صورتی که این احتمالات شناخته شده نباشند ، معمولا بر پایه دانش پیش زمینه و داده اموزشی داده شده تخمین زده می شود

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26