বেজিয়ান ক্লাসিফায়ারগুলো পরিসংখ্যানীয় ক্লাসিফায়ার। এগুলো ক্লাস মেম্বারশিপ প্রোবেবিলিটি প্রেডিক্ট করতে পারে, যেন একটি দেওয়া স্যাম্পল একটি নির্দিষ্ট ক্লাসের অন্তর্গত হয়ে সেই প্রোবেবিলিটি। বেজিয়ান ক্লাসিফায়ারগুলো বড় ডাটাবেস থাকলে বেশি দক্ষতা ও গতির প্রদর্শন করেছে।
যেহেতু ক্লাসগুলো সংজ্ঞায়িত, সিস্টেমটি ক্লাসিফিকেশন নিয়ন্ত্রণকারী নিয়মগুলো অনুমান করতে হবে, অতএব সিস্টেমটি প্রতিটি ক্লাসের বর্ণনা আবিষ্কার করতে সক্ষম হতে হবে। বর্ণনাগুলো ট্রেনিং সেটের প্রেডিক্টিং অ্যাট্রিবিউট সংজ্ঞায়িত করতে হবে যাতে শুধু পজিটিভ ইন্সট্যান্সগুলো বর্ণনা সन्तুষ্ট করে, নেগেটিভ ইন্সট্যান্সগুলো না। একটি নিয়ম সঠিক বলা হয় যদি তার বর্ণনা সব পজিটিভ উদাহরণ কভার করে এবং একটি ক্লাসের কোন নেগেটিভ উদাহরণ কভার না করে।
সকল অ্যাট্রিবিউটের অবদান স্বাধীন এবং প্রতিটি ক্লাসিফিকেশন সমস্যাতেই সমানভাবে অবদান রাখে ধরে নিলে, একটি সহজ ক্লাসিফিকেশন স্কিমspoken Naïve Bayes ক্লাসিফিকেশন।
Naïve Bayes ক্লাসিফিকেশনকে Naïve বলা হয় কারণ এটি ক্লাস কন্ডিশনাল স্বাধীনতা অনুমান করে। একটি দেওয়া ক্লাসে একটি অ্যাট্রিবিউট ভ্যালুর প্রভাব অন্যান্য অ্যাট্রিবিউটের মান থেকে আলাদা। এই অনুমান কম্পিউটেশনাল খরচ কমাতে করা হয় এবং তাই এটিকে Naïve বলা হয়।
ট্রেনিং রেকর্ড থেকে নেটওয়ার্ক টপোলজি বুঝতে একাধিক অ্যালগরিদম আছে যেখানে অবজারভেবল ভেরিয়েবল দেওয়া আছে। সমস্যাটি ডিসক্রিট অপ্টিমাইজেশন। মানব বিশেষজ্ঞরা সাধারণত সরাসরি কন্ডিশনাল ডিপেন্ডেন্সি ভালোভাবে বুঝেন যা ডোমেনের অধীনে বিশ্লেষণে প্রভাব ফেলে, যা নেটওয়ার্ক ডিজাইনে সাহায্য করে। বিশেষজ্ঞরা সরাসরি ডিপেন্ডেন্সি-তে অংশগ্রহণকারী নোডের জন্য কন্ডিশনাল প্রোবেবিলিটি সংজ্ঞায়িত করতে হবে।
এই প্রোবেবিলিটিগুলো বাকি প্রোবেবিলিটি মান গুণ করার জন্য ব্যবহার করা যায়। নেটওয়ার্ক টপোলজি জানা থাকলে এবং ভেরিয়েবলগুলো অবজারভেবল হলে, নেটওয়ার্ক ট্রেনিং সহজ। এতে CPT এন্ট্রি গণনা করা অন্তর্ভুক্ত, যা নেইভ বেজিয়ান ক্লাসিফিকেশনে প্রোবেবিলিটি গণনা করার সমান।
নেইভ বেইজ ক্লাসিফায়ারের বৈশিষ্ট্যসমূহ
এগুলো আইসোলেটেড নויז পয়েন্টের বিপরীতে রবাস্ট কারণ এসে পয়েন্টগুলো কন্ডিশনাল প্রোবেবিলিটি ডেটা থেকে অনুমান করার সময় গড়ে ফেলা হয়। এটি মডেল নির্মাণ ও ক্লাসিফিকেশনের সময় ইন্সট্যান্স ডিলিট করে মিসিং ভ্যালু হ্যান্ডেল করতে পারে।
এগুলো অপ্রাসঙ্গিক অ্যাট্রিবিউটের বিপরীতে রবাস্ট। যদি Xi একটি অপ্রাসঙ্গিক অ্যাট্রিবিউট হয়, তবে P(Xi|Y) একইভাবে বন্টন পায়। Xi এর ক্লাস কন্ডিশনাল প্রোবেবিলিটি পোস্টেরিয়র প্রোবেবিলিটির পুরো গণনাতেই কোন প্রভাব ফেলে না।
কোরিলেটেড অ্যাট্রিবিউট নেইভ বেইজ ক্লাসিফায়ারের পারফরম্যান্স নीचু দিতে পারে কারণ কন্ডিশনাল স্বাধীনতার অনুমান সেসব অ্যাট্রিবিউটের জন্য আর মানায় না। উদাহরণস্বরূপ, নিচের প্রোবেবিলিটি বিবেচনা করুন:
P(A=0|Y=0) = 0.4, P(A=1|Y=0) = 0.6,
P(A=0|Y=1) = 0.6, P(A=1|Y=1) = 0.4,
যেখানে A একটি বাইনারি অ্যাট্রিবিউট এবং Y একটি বাইনারি ক্লাস ভেরিয়েবল। মনে করুন অন্য একটি বাইনারি অ্যাট্রিবিউট B আছে যা Y=0 হলে A-র সাথে সম্পূর্ণ কোরিলেটেড, কিন্তু Y=1 হলে A-র থেকে স্বাধীন। নিখুঁততার জন্য, ধরা যাক B-র ক্লাস-কন্ডিশনাল প্রোবেবিলিটি A-র সমান।
