人工智慧04_貝氏分類和貝氏網路

Description
1. 人工智慧 教師:陳志華博士 2. 報告大綱-貝氏分類和貝氏網路 貝氏分類定義和說明 基礎統計回顧 單純貝氏分類(Naive Bayesian…

Please download to get full document.

View again

of 72
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Information
Category:

Engineering

Publish on:

Views: 0 | Pages: 72

Extension: PDF | Download: 0

Share
Transcript
  • 1. 人工智慧 教師:陳志華博士
  • 2. 報告大綱-貝氏分類和貝氏網路 貝氏分類定義和說明 基礎統計回顧 單純貝氏分類(Naive Bayesian Classifier) 單純貝氏分類實作 單純貝氏分類限制 單純貝氏分類優點 貝氏網路分類(Bayesian Network Classifier) 貝氏網路分類實作 貝氏分類實例應用 2
  • 3. 貝氏分類定義和說明 貝氏分類(Bayesian Classifier)藉由資料中分析屬性與反應變數之間的機率模型,根據貝氏 定理(Bayes’Theorem)來更新資訊以推理判斷樣本資料歸屬類別,作為分類和推論的依據。 常用的方式有單純貝氏分類(Naive Bayesian Classifier)和貝氏網路分類(Bayesian Network Classifier)。 由於並非所有的事件都有大量的歷史資料或可以重複實驗,因此面對沒有經驗、可參考的 資訊過或者沒有頻率機率存在的情況,貝氏網路亦可採用主觀機率,亦即將認為該事件是 否會發生的信念(degree of belief)的主觀判斷轉為主觀機率。 3 顧客編號 婚姻 年齡 收入 購買不動產 C01 單身 中年 高 無 C02 單身 青年 高 有 C03 已婚 青年 高 有 C04 已婚 中年 高 無 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0 單身:0 已婚:1 青年:0 中年:1 低:0 高:1 無:0 有:1
  • 4. 貝氏分類定義和說明 古典機率(事前機率)和條件機率計算 4 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0   %504/20Pr 婚姻   %504/21Pr 婚姻   %502/10|0Pr  購買不動產婚姻   %502/10|1Pr  購買不動產婚姻   %504/20Pr 年齡   %504/21Pr 年齡   %02/00|0Pr  購買不動產年齡   %1002/20|1Pr  購買不動產年齡   %502/11|0Pr  購買不動產婚姻   %502/11|1Pr  購買不動產婚姻   %1002/21|0Pr  購買不動產年齡   %02/01|1Pr  購買不動產年齡   %04/00Pr 收入   %1004/41Pr 收入   %02/00|0Pr  購買不動產收入   %1002/20|1Pr  購買不動產收入   %02/01|0Pr  購買不動產收入   %1002/21|1Pr  購買不動產收入 貝氏分類主要運用事前機 率和條件機率,結合貝氏 定理進行計算和推論 婚姻的事前機率和條件機率 年齡的事前機率和條件機率 收入的事前機率和條件機率   %504/20Pr 購買不動產   %504/21Pr 購買不動產 購買不動產的事前機率 以婚姻、年齡、收入判斷是否購買不動產
  • 5. 基礎統計回顧 貝氏定理 貝氏定理的主要概念為:一開始不知道目標事件Y的真實狀態,但知道Y服從一個機率分 佈Pr(Y),當得到新的樣本資訊或證據x後,yi發生的條件機率(事後機率) 5 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0        x xy xyxyY i ii Pr Pr |Pr|Pr            iiii yyxxxyxy Pr|PrPr|PrPr               i i ii i y y yx x x xy xy Pr Pr Pr Pr Pr Pr Pr           0Pr 00Pr 0|0Pr     婚姻 婚姻購買不動產 婚姻購買不動產          0Pr0|0Pr 0Pr0|0Pr 00Pr    購買不動產購買不動產婚姻 婚姻婚姻購買不動產 婚姻購買不動產 以婚姻、年齡、收入判斷是否購買不動產之案例            x yyx x xy xy iii i Pr Pr|Pr Pr Pr |Pr    
  • 6. 基礎統計回顧 貝氏定理 假設事件共有m種,Pr(x)可定義如下: 6 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                     m i ii mm yyx yyxyyxyyxx 1 2211 Pr|Pr Pr|Pr...Pr|PrPr|PrPr          1Pr1|0Pr0Pr0|0Pr 0Pr   購買不動產購買不動產婚姻購買不動產購買不動產婚姻 婚姻 以婚姻、年齡、收入判斷是否購買不動產之案例
  • 7. 基礎統計回顧 貝氏定理 在取得的新資訊事件x下,貝氏定理可修正條件機率為 7 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0              1Pr1|0Pr0Pr0|0Pr 0Pr0|0Pr 0|0Pr     購買不動產購買不動產婚姻購買不動產購買不動產婚姻 購買不動產購買不動產婚姻 婚姻購買不動產 以婚姻、年齡、收入判斷是否購買不動產之案例                            m i ii iiiii i yyx yyx x yyx x xy xy 1 Pr|Pr Pr|Pr Pr Pr|Pr Pr Pr |Pr
  • 8. 基礎統計回顧 獨立(Independence) ◦ 一事件發生與否,不會影響另一事件發生之機率 ◦ 當 即事件A與事件B互相獨立 ◦ 例如: ◦ 「單身」與「青年」為獨立事件 ◦ 「已婚」與「青年」為獨立事件 88 BA  c A      BPrAPrBAPr        %25%50%500Pr0Pr00Pr  年齡婚姻年齡婚姻 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0 BA        %25%50%500Pr1Pr01Pr  年齡婚姻年齡婚姻
  • 9. 基礎統計回顧 如何驗證獨立(Independence)? 皮爾森相關係數可用來分析正相關、獨立、負相關 皮爾森相關係數的值域為[-1, 1],當係數值為1代表完全正相關、0代表獨立、-1代表完全負相關 9 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                n i n i ii n i ii BbAa BbAa 1 1 22 1 顧客編號 婚姻 年齡 婚姻-婚姻平均值 年齡-年齡平均值 C01 0 1 -0.5 0.5 C02 0 0 -0.5 -0.5 C03 1 0 0.5 -0.5 C04 1 1 0.5 0.5 婚姻和年齡進行皮爾森相關係數 計算結果為0 故婚姻和年齡為互相獨立
  • 10. 單純貝氏分類 單純貝氏分類有兩個基本假設 ◦ 已知各類別的事前機率常依據專家意見、歷史資料、訓練資料設定 ◦ 給定任一類別下,屬性資料相互獨立,即屬性資料條件獨立 當資料中共有k個屬性時,則X = {x1, x2, …, xk},基於貝氏定理可得: 10 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                        k iik k iik iii i xxx yyxxx xxx yyxxx X yyX X Xy Xy          ...Pr Pr|...Pr ,...,,Pr Pr|,...,,Pr Pr Pr|Pr Pr Pr |Pr 21 21 21 21        000Pr 0Pr0|000Pr 00,0,|0Pr     收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 評估單身、青年、低收入 不會購買不動產的機率
  • 11. 單純貝氏分類 單純貝氏分類有兩個基本假設 ◦ 已知各類別的事前機率常依據專家意見、歷史資料、訓練資料設定 ◦ 給定任一類別下,屬性資料相互獨立,即屬性資料條件獨立 假設屬性資料相互獨立: 11 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0          ikii iki yxyxyx yxxxyX |Pr...|Pr|Pr |...Pr|Pr 21 21            0|0Pr0|0Pr0|0Pr 0|000Pr 0|00,0,Pr    購買不動產收入購買不動產年齡購買不動產婚姻 購買不動產收入年齡婚姻 購買不動產收入年齡婚姻 評估單身、青年、低收入 不會購買不動產的機率 條件獨立      CBCACBA |Pr|Pr|Pr 
  • 12. 單純貝氏分類 單純貝氏分類有兩個基本假設 ◦ 已知各類別的事前機率常依據專家意見、歷史資料、訓練資料設定 ◦ 給定任一類別下,屬性資料相互獨立,即屬性資料條件獨立 12 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0           m i iik yyXxxxX 1 21 Pr|Pr...PrPr          1Pr1|000Pr 0Pr0|000Pr 00,0,Pr    購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻 評估單身、青年、低收入 不會購買不動產的機率
  • 13. 單純貝氏分類 「單身」、「青年」、「低收入」的族群,「不」購買不動產(即購買不動產=0)機率 「單身」、「青年」、「低收入」的族群,購買不動產(即購買不動產=1)機率 13 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                                %0 %50%0%100%50%50%0%0%50 %50%0%0%50 1Pr1|000Pr0Pr0|000Pr 0Pr0|0Pr0|0Pr0|0Pr 000Pr 0Pr0|000Pr 00,0,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %0 %50%0%100%50%50%0%0%50 %50%0%100%50 1Pr1|000Pr0Pr0|000Pr 1Pr1|0Pr1|0Pr1|0Pr 000Pr 1Pr1|000Pr 00,0,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 0% 購買不動產機率 = 0% 購買與否無顯著差異 不考慮「收入」因子, 購買不動產的機率高
  • 14. 單純貝氏分類 「單身」、「青年」、「高收入」的族群,「不」購買不動產(即購買不動產=0)機率 「單身」、「青年」、「高收入」的族群,購買不動產(即購買不動產=1)機率 14 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                                %0 %50%100%100%50%50%100%0%50 %50%100%0%50 1Pr1|100Pr0Pr0|100Pr 0Pr0|1Pr0|0Pr0|0Pr 100Pr 0Pr0|100Pr 10,0,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %100 %50%100%100%50%50%100%0%50 %50%100%100%50 1Pr1|100Pr0Pr0|100Pr 1Pr1|1Pr1|0Pr1|0Pr 100Pr 1Pr1|100Pr 10,0,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 0% 購買不動產機率 = 100% 此族群將會購買不動產
  • 15. 單純貝氏分類 「單身」、「中年」、「低收入」的族群,「不」購買不動產(即購買不動產=0)機率 「單身」、「中年」、「低收入」的族群,購買不動產(即購買不動產=1)機率 15 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                                %0 %50%0%0%50%50%0%100%50 %50%0%100%50 1Pr1|010Pr0Pr0|010Pr 0Pr0|0Pr0|1Pr0|0Pr 010Pr 0Pr0|010Pr 01,0,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %0 %50%0%0%50%50%0%100%50 %50%0%0%50 1Pr1|010Pr0Pr0|010Pr 1Pr1|0Pr1|1Pr1|0Pr 010Pr 1Pr1|010Pr 01,0,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 0% 購買不動產機率 = 0% 購買與否無顯著差異 不考慮「收入」因子, 不購買不動產的機率高
  • 16. 單純貝氏分類 「單身」、「中年」、「高收入」的族群,「不」購買不動產(即購買不動產=0)機率 「單身」、「中年」、「高收入」的族群,購買不動產(即購買不動產=1)機率 16 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                                %100 %50%100%0%50%50%100%100%50 %50%100%100%50 1Pr1|110Pr0Pr0|110Pr 0Pr0|1Pr0|1Pr0|0Pr 110Pr 0Pr0|110Pr 11,0,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %0 %50%100%0%50%50%100%100%50 %50%100%0%50 1Pr1|110Pr0Pr0|110Pr 1Pr1|1Pr1|1Pr1|0Pr 110Pr 1Pr1|110Pr 11,0,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 100% 購買不動產機率 = 0% 此族群將不會購買不動產
  • 17. 單純貝氏分類 「已婚」、「青年」、「低收入」的族群,「不」購買不動產(即購買不動產=0)機率 「已婚」、「青年」、「低收入」的族群,購買不動產(即購買不動產=1)機率 17 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                                %0 %50%0%100%50%50%0%0%50 %50%0%0%50 1Pr1|001Pr0Pr0|001Pr 0Pr0|0Pr0|0Pr0|1Pr 001Pr 0Pr0|001Pr 00,1,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %0 %50%0%100%50%50%0%0%50 %50%0%100%50 1Pr1|001Pr0Pr0|001Pr 1Pr1|0Pr1|0Pr1|1Pr 001Pr 1Pr1|001Pr 00,1,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 0% 購買不動產機率 = 0% 購買與否無顯著差異 不考慮「收入」因子, 購買不動產的機率高
  • 18. 單純貝氏分類 「已婚」、「青年」、「高收入」的族群,「不」購買不動產(即購買不動產=0)機率 「已婚」、「青年」、「高收入」的族群,購買不動產(即購買不動產=1)機率 18 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                                %0 %50%100%100%50%50%100%0%50 %50%100%0%50 1Pr1|101Pr0Pr0|101Pr 0Pr0|1Pr0|0Pr0|1Pr 101Pr 0Pr0|101Pr 10,1,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %100 %50%100%100%50%50%100%0%50 %50%100%100%50 1Pr1|101Pr0Pr0|101Pr 1Pr1|1Pr1|0Pr1|1Pr 101Pr 1Pr1|101Pr 10,1,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 0% 購買不動產機率 = 100% 此族群將會購買不動產
  • 19. 單純貝氏分類 「已婚」、「中年」、「低收入」的族群,「不」購買不動產(即購買不動產=0)機率 「已婚」、「中年」、「低收入」的族群,購買不動產(即購買不動產=1)機率 19 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                                %0 %50%0%0%50%50%0%100%50 %50%0%100%50 1Pr1|011Pr0Pr0|011Pr 0Pr0|0Pr0|1Pr0|1Pr 011Pr 0Pr0|011Pr 01,1,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %0 %50%0%0%50%50%0%100%50 %50%0%0%50 1Pr1|011Pr0Pr0|011Pr 1Pr1|0Pr1|1Pr1|1Pr 011Pr 1Pr1|011Pr 01,1,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 0% 購買不動產機率 = 0% 購買與否無顯著差異 不考慮「收入」因子, 不購買不動產的機率高
  • 20. 單純貝氏分類 「已婚」、「中年」、「高收入」的族群,「不」購買不動產(即購買不動產=0)機率 「已婚」、「中年」、「高收入」的族群,購買不動產(即購買不動產=1)機率 20 顧客編號 婚姻 年齡 收入 購買不動產 C01 0 1 1 0 C02 0 0 1 1 C03 1 0 1 1 C04 1 1 1 0                                %100 %50%100%0%50%50%100%100%50 %50%100%100%50 1Pr1|111Pr0Pr0|111Pr 0Pr0|1Pr0|1Pr0|1Pr 111Pr 0Pr0|111Pr 11,1,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %0 %50%100%0%50%50%100%100%50 %50%100%0%50 1Pr1|111Pr0Pr0|111Pr 1Pr1|1Pr1|1Pr1|1Pr 111Pr 1Pr1|111Pr 11,1,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 100% 購買不動產機率 = 0% 此族群將不會購買不動產
  • 21. 單純貝氏分類實作 建立訓練資料,並儲存為csv檔 請參考「案例1_購買不動產(訓練資料).csv」 21 顧客編號 婚姻 年齡 收入 購買不動產 C01 單身 中年 高 無 C02 單身 青年 高 有 C03 已婚 青年 高 有 C04 已婚 中年 高 無 婚姻 年齡 收入 Class 0 1 1 0 0 0 1 1 1 0 1 1 1 1 1 0 單身:0 已婚:1 青年:0 中年:1 低:0 高:1 無:0 有:1
  • 22. 單純貝氏分類實作 新增RScript檔案,並編輯程式碼 #安裝e1071函式庫 install.packages('e1071') #引用e1071函式庫 library(e1071) 22
  • 23. 單純貝氏分類實作 #讀取訓練資料 training_data <- read.csv(file.choose(), header = TRUE) #轉換為因子矩陣 training_data <- data.frame(lapply(training_data, as.factor)) 23
  • 24. 單純貝氏分類實作 #訓練單純貝氏模型 model <- naiveBayes(Class ~ ., data = training_data) 24 設定目標欄位為「Class」, 其他欄位為訓練資料
  • 25. 單純貝氏分類實作 #讀取測試資料 testing_data <- read.csv(file.choose(), header = TRUE) #轉換為因子矩陣 testing_data <- data.frame(lapply(testing_data, as.factor)) 25
  • 26. 單純貝氏分類實作 #將測試資料代入模型進行預測,並取得 預測結果 pred <- predict(model, testing_data) #運用表格呈現和比對預測結果 table(pred, testing_data$Class) 26
  • 27. 單純貝氏分類實作 可經由table瀏覽分類結果 27 正確答案為 「目標類別」 正確答案為 「非目標類別」 機器答案為 「目標類別」 True Positive (TP) False Positive (FP) (型一(Type I)誤差) 機器答案為 「非目標類別」 False Negative (FN) (型二(Type II)誤差) True Negative (TN) 不購買不動產 購買不動產 不購買不動產 2 0 購買不動產 0 2 %100 2 2 Precision    FPTP TP %100 2 2 Recall    FNTP TP 假設測試資料同訓練資料
  • 28. 單純貝氏分類限制 單純貝氏分類有兩個基本假設 ◦ 已知各類別的事前機率常依據專家意見、歷史資料、訓練資料設定 ◦ 給定任一類別下,屬性資料相互獨立,即屬性資料條件獨立 單純貝氏分類不適用之情境 ◦ 屬性資料具有關聯性 ◦ 下列案例:婚姻與年齡負相關、婚姻與收入正相關、年齡與收入負相關、屬性資料與目標資料互相獨立 28 顧客編號 婚姻 年齡 收入 購買不動產 C11 單身 中年 低 無 C12 單身 中年 低 有 C13 已婚 青年 高 有 C14 已婚 青年 高 無 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13 1 0 1 1 C14 1 0 1 0 單身:0 已婚:1 青年:0 中年:1 低:0 高:1 無:0 有:1
  • 29. 單純貝氏分類限制 「單身」、「青年」、「低收入」的族群,「不」購買不動產(即購買不動產=0)機率 「單身」、「青年」、「低收入」的族群,購買不動產(即購買不動產=1)機率 29 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13 1 0 1 1 C14 1 0 1 0                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|000Pr0Pr0|000Pr 0Pr0|0Pr0|0Pr0|0Pr 000Pr 0Pr0|000Pr 00,0,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|000Pr0Pr0|000Pr 1Pr1|0Pr1|0Pr1|0Pr 000Pr 1Pr1|000Pr 00,0,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 50% 購買不動產機率 = 50% 並且機率非0%,則演算法 會猜測為「不購買不動產」
  • 30. 單純貝氏分類限制 「單身」、「青年」、「高收入」的族群,「不」購買不動產(即購買不動產=0)機率 「單身」、「青年」、「高收入」的族群,購買不動產(即購買不動產=1)機率 30 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13 1 0 1 1 C14 1 0 1 0                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|100Pr0Pr0|100Pr 0Pr0|1Pr0|0Pr0|0Pr 100Pr 0Pr0|100Pr 10,0,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|100Pr0Pr0|100Pr 1Pr1|1Pr1|0Pr1|0Pr 100Pr 1Pr1|100Pr 10,0,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 50% 購買不動產機率 = 50% 並且機率非0%,則演算法 會猜測為「不購買不動產」
  • 31. 單純貝氏分類限制 「單身」、「中年」、「低收入」的族群,「不」購買不動產(即購買不動產=0)機率 「單身」、「中年」、「低收入」的族群,購買不動產(即購買不動產=1)機率 31 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13 1 0 1 1 C14 1 0 1 0                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|010Pr0Pr0|010Pr 0Pr0|0Pr0|1Pr0|0Pr 010Pr 0Pr0|010Pr 01,0,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|010Pr0Pr0|010Pr 1Pr1|0Pr1|1Pr1|0Pr 010Pr 1Pr1|010Pr 01,0,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 50% 購買不動產機率 = 50% 並且機率非0%,則演算法 會猜測為「不購買不動產」
  • 32. 單純貝氏分類限制 「單身」、「中年」、「高收入」的族群,「不」購買不動產(即購買不動產=0)機率 「單身」、「中年」、「高收入」的族群,購買不動產(即購買不動產=1)機率 32 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13 1 0 1 1 C14 1 0 1 0                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|110Pr0Pr0|110Pr 0Pr0|1Pr0|1Pr0|0Pr 110Pr 0Pr0|110Pr 11,0,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|110Pr0Pr0|110Pr 1Pr1|1Pr1|1Pr1|0Pr 110Pr 1Pr1|110Pr 11,0,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 50% 購買不動產機率 = 50% 並且機率非0%,則演算法 會猜測為「不購買不動產」
  • 33. 單純貝氏分類限制 「已婚」、「青年」、「低收入」的族群,「不」購買不動產(即購買不動產=0)機率 「已婚」、「青年」、「低收入」的族群,購買不動產(即購買不動產=1)機率 33 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13 1 0 1 1 C14 1 0 1 0                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|001Pr0Pr0|001Pr 0Pr0|0Pr0|0Pr0|1Pr 001Pr 0Pr0|001Pr 00,1,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|001Pr0Pr0|001Pr 1Pr1|0Pr1|0Pr1|1Pr 001Pr 1Pr1|001Pr 00,1,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 50% 購買不動產機率 = 50% 並且機率非0%,則演算法 會猜測為「不購買不動產」
  • 34. 單純貝氏分類限制 「已婚」、「青年」、「高收入」的族群,「不」購買不動產(即購買不動產=0)機率 「已婚」、「青年」、「高收入」的族群,購買不動產(即購買不動產=1)機率 34 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13 1 0 1 1 C14 1 0 1 0                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|101Pr0Pr0|101Pr 0Pr0|1Pr0|0Pr0|1Pr 101Pr 0Pr0|101Pr 10,1,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|101Pr0Pr0|101Pr 1Pr1|1Pr1|0Pr1|1Pr 101Pr 1Pr1|101Pr 10,1,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 50% 購買不動產機率 = 50% 並且機率非0%,則演算法 會猜測為「不購買不動產」
  • 35. 單純貝氏分類限制 「已婚」、「中年」、「低收入」的族群,「不」購買不動產(即購買不動產=0)機率 「已婚」、「中年」、「低收入」的族群,購買不動產(即購買不動產=1)機率 35 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13 1 0 1 1 C14 1 0 1 0                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|011Pr0Pr0|011Pr 0Pr0|0Pr0|1Pr0|1Pr 011Pr 0Pr0|011Pr 01,1,|0Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產                                %50 %50%50%50%50%50%50%50%50 %50%50%50%50 1Pr1|011Pr0Pr0|011Pr 1Pr1|0Pr1|1Pr1|1Pr 011Pr 1Pr1|011Pr 01,1,|1Pr            購買不動產購買不動產收入年齡婚姻購買不動產購買不動產收入年齡婚姻 購買不動產購買不動產收入購買不動產年齡購買不動產婚姻 收入年齡婚姻 購買不動產購買不動產收入年齡婚姻 收入年齡婚姻購買不動產 不購買不動產機率 = 50% 購買不動產機率 = 50% 並且機率非0%,則演算法 會猜測為「不購買不動產」
  • 36. 單純貝氏分類限制 「已婚」、「中年」、「高收入」的族群,「不」購買不動產(即購買不動產=0)機率 「已婚」、「中年」、「高收入」的族群,購買不動產(即購買不動產=1)機率 36 顧客編號 婚姻 年齡 收入 購買不動產 C11 0 1 0 0 C12 0 1 0 1 C13
  • Similar documents
    We Need Your Support
    Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

    Thanks to everyone for your continued support.

    No, Thanks