АД/Laboratory/Laboratory8/main
Raw

Лабораторна робота 8. Наївний баєсів класифікатор

Восьма лабораторна робота курсу «Аналітика даних». Спершу в аудиторії ви «руками» класифікуєте об’єкти наївним баєсовим класифікатором: рахуєте апріорні та умовні ймовірності, апостеріорну ймовірність класу й нормуєте її; натрапляєте на нульову ймовірність і виправляєте її згладжуванням Лапласа. Потім удома реалізуєте наївний баєсів класифікатор програмою, що читає навчальну вибірку з файлу CSV, і порівнюєте його прогнози з деревом рішень ID3 із Лабораторної 7. Робота закріплює Лекцію 8.

Коротко про роботу

Тема Наївний баєсів класифікатор: апостеріорна ймовірність P(C∣x)∝P(C)∏jP(xj∣C)P(C \mid x) \propto P(C)\prod_j P(x_j \mid C); оцінка ймовірностей частотами; згладжування Лапласа; порівняння з ID3
Передумова Лекція 8. Ймовірнісні методи класифікації. Наївний баєсів класифікатор
Аудиторна частина Класифікація об’єктів «руками», випадок нульової ймовірності та згладжування, порівняння з ID3 (з розв’язаннями)
Домашня частина Програма: будує наївний баєсів класифікатор із вибірки CSV, класифікує об’єкти й порівнює з деревом ID3
Оцінювання три рівні: базовий 60–74 / середній 75–89 / високий 90–100

Зміст

№ Частина Файл
1 Мета роботи 1purpose.md
2 Методичні вказівки (теорія + демонстраційний приклад) 2method.md
3 Аудиторні задачі з розв’язаннями 3classroom.md
4 Домашнє завдання (програма) 4task.md
5 Зміст звіту 5report.md
6 Контрольні запитання 6questions.md

Домовленості

  • Дві частини. Аудиторні задачі (3classroom.md) розбирають спільно «руками» — з них ви розумієте, що саме обчислює програма. Домашнє завдання (4task.md) — самостійна реалізація наївного баєсового класифікатора в коді.
  • Спільна вибірка. Аудиторні задачі спираються на ту саму навчальну вибірку «Спортивний канал», що й приклади Лекції 8 та Лекції 7, — так легше звіряти проміжні обчислення й порівнювати з деревом ID3. Демонстраційний приклад у 2method.md — на інших даних.
  • Апріорні ймовірності. Якщо не вказано інше, беруть P(Так)=P(Ні)=0.5P(\text{Так}) = P(\text{Ні}) = 0.5 (класи вибірки збалансовані) або оцінюють частотою NC/NN_C/N.
  • Згладжування. Розрізняйте оцінку без згладжування (чиста частота) і з лапласовим згладжуванням count+1NC+m\dfrac{\text{count} + 1}{N_C + m}; у звіті зазначайте, яку саме використано.
  • Категоріальні атрибути. Базовий рівень домашнього завдання розглядає лише категоріальні (дискретні) атрибути.
  • Мова програмування — на вибір. Стандартні бібліотеки для читання CSV дозволені; готові реалізації (sklearn.naive_bayes) можна брати лише для перевірки власного коду.

Підсумок

Наївний баєсів класифікатор — це ймовірнісна модель, що за теоремою Байєса та припущенням про умовну незалежність ознак оцінює ймовірність належності об’єкта до кожного класу: P(C∣x)∝P(C)∏jP(xj∣C)P(C \mid x) \propto P(C)\prod_j P(x_j \mid C). У цій роботі ви навчитеся оцінювати всі множники частотами з навчальної вибірки, класифікувати об’єкти за максимальною апостеріорною ймовірністю, розпізнавати й усувати нульові ймовірності згладжуванням Лапласа, а потім автоматизуєте метод програмою й порівняєте його прогнози з деревом ID3. На відміну від дерева, наївний Байєс повертає не лише клас, а й ступінь упевненості — тож ви побачите, у чому два підходи збігаються, а в чому доповнюють один одного.

Laboratory/Laboratory8/main.md · 6.1 KB · updated 2026-08-04 23:32