1. Мета роботи #

Навчитися будувати наївний баєсів класифікатор: оцінювати апріорні та умовні ймовірності частотами з навчальної вибірки, обчислювати апостеріорну ймовірність класу за формулою $P(C \mid x) \propto P(C)\prod_j P(x_j \mid C)$, класифікувати об’єкти за максимальною апостеріорною ймовірністю, усувати нульові ймовірності згладжуванням Лапласа — та реалізувати класифікатор програмою, що читає навчальну вибірку з файлу CSV і порівнює свої прогнози з деревом рішень ID3.

Виконавши роботу, студент повинен уміти:

• оцінювати апріорну ймовірність класу $P(C) = N_C/N$ та умовні ймовірності ознак $P(x_j = v \mid C) = N_{C,\,j=v}/N_C$ частотами з навчальної вибірки;
• обчислювати апостеріорну ймовірність класу $P(C \mid x) \propto P(C)\prod_j P(x_j \mid C)$ і нормувати оцінки класів у ймовірності, що дають у сумі одиницю;
• класифікувати об’єкт за правилом максимальної апостеріорної ймовірності (argmax) і трактувати саму ймовірність як міру впевненості;
• розпізнавати проблему нульової ймовірності (коли $P(x_j \mid C) = 0$ занулює добуток) і усувати її згладжуванням Лапласа $P(x_j = v \mid C) = \dfrac{N_{C,\,j=v} + 1}{N_C + m}$;
• порівнювати наївний баєсів класифікатор із деревом рішень ID3 на тій самій вибірці — за прогнозами, точністю та матрицею невідповідності;
• реалізувати наївний баєсів класифікатор у вигляді програми, що приймає файл CSV із навчальною вибіркою, класифікує об’єкти та виводить результат.

Робота закріплює Лекцію 8 — Ймовірнісні методи класифікації. Наївний баєсів класифікатор і спирається на дерево ID3 з Лекції 7. Уся потрібна теорія повторена в самодостатньому вигляді в методичних вказівках.

Laboratory/Laboratory8/1purpose.md · 2.9 KB · updated 2026-08-04 23:14