শ্রেণীবিভাগ একটি ডেটা মাইনিং পদ্ধতি যা ডেটা দৃষ্টান্তের জন্য দলের সদস্যতার পূর্বাভাস দিতে ব্যবহৃত হয়। এটি একটি দ্বি-পদক্ষেপ পদ্ধতি। প্রথম ধাপে, ডেটা ক্লাস বা পদ্ধতির একটি পূর্বনির্ধারিত সেট সংজ্ঞায়িত করে একটি মডেল তৈরি করা হয়। বৈশিষ্ট্য দ্বারা সংজ্ঞায়িত ডাটাবেস টিপল বিবেচনা করে মডেলটি তৈরি করা হয়েছে।
এটি একটি নতুনভাবে উপস্থাপিত বস্তুর বৈশিষ্ট্যগুলি বিশ্লেষণ করা এবং এটিকে ক্লাসের একটি পূর্ব-সংজ্ঞায়িত সংগ্রহের মধ্যে তৈরি করা। শ্রেণিবিন্যাসের নিয়ম শেখার জন্য, সিস্টেমটিকে এমন নিয়মগুলি আবিষ্কার করতে হবে যা ভবিষ্যদ্বাণী করার বৈশিষ্ট্যগুলি থেকে শ্রেণির ভবিষ্যদ্বাণী করে, তাই প্রথমত প্রতিটি শ্রেণির জন্য শর্তগুলি উপস্থাপন করতে হবে। এই কেসটি কোন শ্রেণীর ক্ষেত্রে প্রযোজ্য তা অনুমান করতে সক্ষম হওয়ার জন্য সিস্টেমটিকে নির্দিষ্ট পরিচিত বৈশিষ্ট্যের মান সহ একটি কেস বা টিপল দিতে হবে৷
একবার ক্লাস সংজ্ঞায়িত করা হলে, সিস্টেমটিকে অবশ্যই নিয়মগুলি অনুমান করতে হবে যা শ্রেণীবিভাগ পরিচালনা করে, এইভাবে সিস্টেমটি অবশ্যই প্রতিটি শ্রেণীর প্রতিনিধিত্ব আবিষ্কার করতে সক্ষম হবে। বর্ণনাগুলি শুধুমাত্র প্রশিক্ষণ সেটের ভবিষ্যদ্বাণীমূলক বৈশিষ্ট্যগুলিকে সংজ্ঞায়িত করবে যাতে শুধুমাত্র ইতিবাচক উদাহরণগুলি অবশ্যই চরিত্রায়নকে সন্তুষ্ট করতে হবে, নেতিবাচক উদাহরণগুলি নয়৷ একটি নিয়ম সঠিক যদি এর সংজ্ঞাটি সমস্ত ইতিবাচক উদাহরণকে কভার করে এবং একটি শ্রেণীর নেতিবাচক উদাহরণগুলির একটিও কভার না করে৷
বায়েসিয়ান শ্রেণিবিন্যাস − Bayesian classifiers হল পরিসংখ্যানগত শ্রেণীবিন্যাসকারী। প্রদত্ত নমুনা একটি নির্দিষ্ট শ্রেণীর অন্তর্গত হওয়ার সম্ভাবনা সহ তারা ক্লাস সদস্যতার সম্ভাবনার পূর্বাভাস দিতে পারে। উচ্চ ডাটাবেসে অভ্যস্ত হওয়ার সময় বায়েসিয়ান শ্রেণীবদ্ধকারীরা উচ্চ দক্ষতা এবং গতিও দেখিয়েছে।
ন্যাভ বায়েসিয়ান শ্রেণিবিন্যাসকারীরা বিবেচনা করে যে একটি প্রদত্ত শ্রেণীর উপর একটি বৈশিষ্ট্যের মানের প্রভাব বিভিন্ন বৈশিষ্ট্যের মানগুলির স্বায়ত্তশাসিত। এই অনুমানকে শ্রেণী শর্তাধীন স্বাধীনতা হিসাবে উল্লেখ করা হয়। এটি অন্তর্ভুক্ত মূল্যায়ন সংজ্ঞায়িত করার জন্য তৈরি করা হয়েছে এবং তাকে নির্বোধ হিসাবে বিবেচনা করা হয়।
বেইস থিওরেম - বেইস থিওরেম - X কে একটি ডেটা টিপল হতে দিন। বায়েসিয়ান পদ্ধতিতে, X কে "প্রমাণ" হিসাবে বিবেচনা করা হয়। H কে কিছু হাইপোথিসিস বলা যাক, যার মধ্যে ডেটা টিপল X একটি নির্দিষ্ট শ্রেণির C এর অন্তর্গত। সম্ভাব্যতা P (H|X) ডেটা সংজ্ঞায়িত করার সিদ্ধান্ত নিয়েছে। এই সম্ভাব্যতা P (H|X) হল সম্ভাব্যতা যে হাইপোথিসিস H-এর প্রভাব "প্রমাণ" বা লক্ষ্য করা ডেটা টিপল X দিয়েছে৷
পি (এইচ 20,000 আয়। অনুমান করুন যে H হল অনুমান যে ব্যবহারকারী একটি কম্পিউটার ক্রয় করবে। এইভাবে P (H|X) ব্যবহারকারীর বয়স এবং আয় স্বীকার করা হলে ব্যবহারকারী X একটি কম্পিউটার কিনবে এমন সম্ভাবনাকে উল্টে দেয়।
P (H) হল H-এর পূর্বের সম্ভাবনা। উদাহরণস্বরূপ, বয়স, আয় বা অন্য কিছু ডেটা নির্বিশেষে যে কোনো ব্যবহারকারী একটি কম্পিউটার ক্রয় করার সম্ভাবনা। পূর্ববর্তী সম্ভাব্যতা P (H|X) পূর্বের সম্ভাব্যতা P (H) থেকে বেশি ডেটার উপর অবস্থিত, যা X মুক্ত।
একইভাবে, P (X|H) হল X-এর পরবর্তী সম্ভাব্যতা H-এর উপর শর্তযুক্ত। এটা হল সম্ভাব্যতা যে একজন ব্যবহারকারী X 30 বছর বয়সী এবং টাকা লাভ করে। 20,000।
প্রদত্ত তথ্য থেকে P (H), P (X|H), এবং P (X) পরিমাপ করা যেতে পারে। Bayes উপপাদ্য P(H|X), P(H), P(X|H), এবং P(X) থেকে পশ্চাদবর্তী সম্ভাব্যতা P (H|X) গণনার একটি পদ্ধতি সমর্থন করে। এটি
দ্বারা প্রদত্ত$$P(H|X)=\frac{P(X|H)P(H)}{P(X)}$$
