Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Wprowadzenie do “data science”
Wykład 7 - regresja logistyczna, klasyfikatory, klasyfikator
bayesowski
dr in˙z. Julian Sienkiewicz
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Przykład
Rozpatrzmy nast ˛epuj ˛acy przypadek: zale˙zno´s´c sukcesu podczas egzaminu od liczby godzin sp ˛edzonych na przygotowaniach.
Jak wida´c, regresja liniowa nie jest adekwatnym narz ˛edziem do modelowania tego typu zale˙zno´sci.
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Przykład
Rozpatrzmy nast ˛epuj ˛acy przypadek: zale˙zno´s´c sukcesu podczas egzaminu od liczby godzin sp ˛edzonych na przygotowaniach.
Jak wida´c, regresja liniowa nie jest adekwatnym narz ˛edziem do modelowania tego typu zale˙zno´sci.
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Przykład
Rozpatrzmy nast ˛epuj ˛acy przypadek: zale˙zno´s´c sukcesu podczas egzaminu od liczby godzin sp ˛edzonych na przygotowaniach.
Jak wida´c, regresja liniowa nie jest adekwatnym narz ˛edziem do modelowania tego typu zale˙zno´sci.
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Zmienne i model
Zmienne
zakładamy, ˙ze Y jest binarn ˛a zmienn ˛a odpowiedzi (zmienn ˛a obja-´snian ˛a),
Y = 1 oznacza wyst ˛epowanie danej cechy, Y = 0 — jej brak,
X = (X1,X2, ...,Xp)jest zbiorem zmiennych obja´sniaj ˛acych, które mog ˛a by´c zarówno ci ˛agłe jak i dyskretne
Model
Model mo˙ze zosta´c zapisany jako
πi =Pr(Yi=1|Xi =xi) =
exp(Xiβ) 1 + exp(Xiβ)
= 1
1 + exp(−Xiβ)
lub te˙z w to˙zsamej formie
logit(πi) =ln πi 1 − πi
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Zmienne i model
Zmienne
zakładamy, ˙ze Y jest binarn ˛a zmienn ˛a odpowiedzi (zmienn ˛a obja-´snian ˛a),
Y = 1 oznacza wyst ˛epowanie danej cechy, Y = 0 — jej brak,
X = (X1,X2, ...,Xp)jest zbiorem zmiennych obja´sniaj ˛acych, które mog ˛a by´c zarówno ci ˛agłe jak i dyskretne
Model
Model mo˙ze zosta´c zapisany jako
πi =Pr(Yi=1|Xi =xi) =
exp(Xiβ) 1 + exp(Xiβ)
= 1
1 + exp(−Xiβ)
lub te˙z w to˙zsamej formie
logit(πi) =ln πi 1 − πi
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Zmienne i model
Zmienne
zakładamy, ˙ze Y jest binarn ˛a zmienn ˛a odpowiedzi (zmienn ˛a obja-´snian ˛a),
Y = 1 oznacza wyst ˛epowanie danej cechy, Y = 0 — jej brak,
X = (X1,X2, ...,Xp)jest zbiorem zmiennych obja´sniaj ˛acych, które mog ˛a by´c zarówno ci ˛agłe jak i dyskretne
Model
Model mo˙ze zosta´c zapisany jako
πi =Pr(Yi=1|Xi =xi) =
exp(Xiβ) 1 + exp(Xiβ)
= 1
1 + exp(−Xiβ)
lub te˙z w to˙zsamej formie
logit(πi) =ln πi 1 − πi
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Zmienne i model
Zmienne
zakładamy, ˙ze Y jest binarn ˛a zmienn ˛a odpowiedzi (zmienn ˛a obja-´snian ˛a),
Y = 1 oznacza wyst ˛epowanie danej cechy, Y = 0 — jej brak,
X = (X1,X2, ...,Xp)jest zbiorem zmiennych obja´sniaj ˛acych, które mog ˛a by´c zarówno ci ˛agłe jak i dyskretne
Model
Model mo˙ze zosta´c zapisany jako
πi =Pr(Yi=1|Xi =xi) =
exp(Xiβ) 1 + exp(Xiβ)
= 1
1 + exp(−Xiβ)
lub te˙z w to˙zsamej formie
logit(πi) =ln πi 1 − πi
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Zało˙zenia
Zało˙zenia
dane Y1, ...,Yn s ˛a niezale˙zne (tzn poszczególne przypadki s ˛a nieza-le˙zne),
Yipochodzi z rozkładu dwumianowego,
brak zało˙zenia o liniowo´sci pomi ˛edzy zmienn ˛a obja´snian ˛a a zmiennymi obja´sniaj ˛acymi, zakłada si ˛e liniow ˛a zale˙zno´s´c pomi ˛edzy funkcj ˛a logitow ˛a odpowiedzi aX β,
podobnie jak w regresji liniowej, poszczególnymi zmiennymi mog ˛a by´c równie˙z pot ˛egi lub inne nieliniowe funkcje oryginalnych zmiennych,
nie musi by´c spełniona jednorodno ´s ´c wariancji,
niepewno´sci (odchyłki) musz ˛a by´c niezale˙zne, ale nie musz ˛a pochodzi´c z rozkładu normalnego
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Estymator
Estymator najwi ˛ekszej wiarygodno´sci
Estymator najwi ˛ekszej wiarygodno´sci (MLE) otrzymujemy korzystaj ˛ac z roz-kładu prawdopodobie ´nstwa zmiennej obja´snianej – w tym przypadku jest to rozkład dwumianowy, st ˛ad ł ˛aczny rozkład g ˛esto´sci prawdopodobie ´nstwa to
L(y |β) = N Y i=1 ni! yi!(ni− yi)! πyi(1 − π i)ni−yi.
Funkcja wiarygodno´sci ma tak ˛a sam ˛a posta´c, jedynie interesuje nas w tym momencie wyra˙zenie nieznanych warto´sci β jako funkcji znanych, ustalonych yi, tzn L(β|y ). Czynnik, który nie zawiera πimo˙zna pomin ˛a´c:
L(β|y ) ∼ N Y i=1 πi 1 − πi yi (1 − πi)ni = N Y i=1 exiTβyi(1 + exiTβ)−ni
W efekcie logarytm funkcji wiarygodno´sci to
l(β) = N X i=1 xiTβyi− N X i=1 niln(1 + ex T iβ)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Algorytm Newtona-Raphsona
Metoda Newtona-Raphsona (NR)
Przypu´s´cmy, ˙ze chcemy zmaksymalizowa´c funkcj ˛e wiarygodno´sci l(θ) wzgl ˛e-dem paramatru θ = (θ1, ..., θp)T. W ka˙zdym kroku t aktualne oszacowanie θ wyznaczane jest jako:
θt+1= θt+h−l00(θt)i−1l0(θt), gdzie l0(θt) = ∂l ∂θ1 , ..., ∂l ∂θp T ,
natomiastl00(θ)jest macierz ˛a drugich pochodnych p × p (tj. Hesjanem):
l00(θt) = ∂2l ∂θ1θ1 ∂2l ∂θ1θ2 . . . ∂2l ∂θ1θp ∂2l ∂θ2θ1 ∂2l ∂θ2θ2 . . . ∂2l ∂θ2θp . . . . . . . .. ... ∂2l ∂θpθ1 ∂2l ∂θpθ2 . . . ∂2l ∂θpθp ,
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Metoda NR w regresji logistycznej
Metoda NR w regresji logistycznej
Dla regresji logistycznej metoda NR przyjmuje daje poni˙zsze równania:
∂l ∂βj = N X i=1 yixij− N X i=1 1 1 + exT iβ exiTβ= N X i=1 (yi− niπi)xij oraz ∂2l ∂βjβk = − N X i=1 nixij ∂ ∂βk exiTβ 1 + exiTβ = N X i=1 niπi(1 − πi)xijxik.
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Diagnostyka modelu
Bł ˛ad standardowy βi
Aby obliczy´c bł ˛ad standardowy βikorzystamy z nast ˛epuj ˛acej relacji
σβi=
q
(XTVX )−1 ii , przy czymX oraz V s ˛a dane jako
X = 1 x11 · · · x1p 1 x21 · · · x2p . . . . . . .. . . . . 1 xN1 · · · xNp V = π1(1 − π1) 0 · · · 0 0 π2(1 − π2) · · · 0 . . . . . . .. . . . . 0 0 · · · πN(1 − πN) Bł ˛ad standardowy βi
W celu oceny istotno´sci współczynników βimo˙zemy obliczy´c statystyk˛e βi/σβi
i porówna´c j ˛a rozkładem normalnym tzn. wyznaczy´c p-warto´s´c pβi =2[1 − Fz(|βi/σβi|)], gdzie Fzto dystrybuanta rozkładu normalnego.
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Diagnostyka modelu
Bł ˛ad standardowy βi
Aby obliczy´c bł ˛ad standardowy βikorzystamy z nast ˛epuj ˛acej relacji
σβi=
q
(XTVX )−1 ii , przy czymX oraz V s ˛a dane jako
X = 1 x11 · · · x1p 1 x21 · · · x2p . . . . . . .. . . . . 1 xN1 · · · xNp V = π1(1 − π1) 0 · · · 0 0 π2(1 − π2) · · · 0 . . . . . . .. . . . . 0 0 · · · πN(1 − πN) Bł ˛ad standardowy βi
W celu oceny istotno´sci współczynników βimo˙zemy obliczy´c statystyk˛e βi/σβi
i porówna´c j ˛a rozkładem normalnym tzn. wyznaczy´c p-warto´s´c pβi =2[1 −
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Diagnostyka modelu
Wracamy do poczatkowego przykładu.
β = −4.08 1.50 σβ= 1.76 0.63 pβ= 0.021 0.017
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Przykład
W jaki jednak sposób powinni´smy sprawdzi´c, czy przewidywania modelu pokrywaj ˛a si ˛e z zaobserwowanymi danymi? Poniewa˙z πis ˛a warto´sciami prawdopodobie ´nstwa, mo˙zemy po prostu przyj ˛a´c:
πi ≥ 1/2 to 1, πi <1/2 to 0.
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Macierz pomyłek
Wygodn ˛a metod ˛a oceny jako´sci jest tzw. macierz pomyłek (confusion ma-trix), w której konfrontujemy wyniki działania modelu z rzeczywisto´sci ˛a zlicza-j ˛ac wszystkie mo˙zliwe pary dane–model:
dane: 0, model: 0, dane: 0, model: 1, dane: 1, model: 0, dane: 1, model: 1,
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Rodzaje bł ˛edów
Bł ˛ad pierwszego rodzaju – bł ˛ad polegaj ˛acy na odrzuceniu hipotezy zerowej, która w rzeczywisto´sci nie jest fałszywa. Oszacowanie prawdopodobie ´nstwa po-pełnienia bł ˛edu pierwszego rodzaju oznaczamy symbolem α i nazywamy pozio-mem istotno´sci testu
Bł ˛ad drugiego rodzaju (bł ˛ad przyj ˛ecia) – bł ˛ad polegaj ˛acy na nieodrzuceniu hi-potezy zerowej, która jest w rzeczywisto´sci fałszywa. Oszacowanie prawdopo-dobie ´nstwa popełnienia bł ˛edu drugiego rodzaju oznaczamy symbolem β, a jego dopełnienie do jedno´sci nazywane jest moc ˛a testu
Bł ˛ad trzeciego, czwartego rodzaju... :-)
Nasz przykład model: 1 model: 0 dane: 1 8 2 dane: 0 2 8 dokładno´s´c (accuracy) ACC = (TP + TN)/(TP + TN + FP + FN) czuło´s´c (sensitivity, true positive rate) TPR = TP/(TP + FP)
specyficzno´s´c (specifity, true negative rate) TNR = TN/(TN + FN)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Rodzaje bł ˛edów
Bł ˛ad pierwszego rodzaju – bł ˛ad polegaj ˛acy na odrzuceniu hipotezy zerowej, która w rzeczywisto´sci nie jest fałszywa. Oszacowanie prawdopodobie ´nstwa po-pełnienia bł ˛edu pierwszego rodzaju oznaczamy symbolem α i nazywamy pozio-mem istotno´sci testu
Bł ˛ad drugiego rodzaju (bł ˛ad przyj ˛ecia) – bł ˛ad polegaj ˛acy na nieodrzuceniu hi-potezy zerowej, która jest w rzeczywisto´sci fałszywa. Oszacowanie prawdopo-dobie ´nstwa popełnienia bł ˛edu drugiego rodzaju oznaczamy symbolem β, a jego dopełnienie do jedno´sci nazywane jest moc ˛a testu
Bł ˛ad trzeciego, czwartego rodzaju... :-)
Nasz przykład model: 1 model: 0 dane: 1 8 2 dane: 0 2 8 dokładno´s´c (accuracy) ACC = (TP + TN)/(TP + TN + FP + FN) czuło´s´c (sensitivity, true positive rate) TPR = TP/(TP + FP)
specyficzno´s´c (specifity, true negative rate) TNR = TN/(TN + FN)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski
Rodzaje bł ˛edów
Klasyfikatory
regresja logistyczna jest przykłademklasyfikatora,
klasyfikacja to jedno z zada ´nuczenia pod nadzorem, gdzie mamy
do-st ˛ep do poprawnie sklasyfikowanego zbiór danych (tzn. dane, o których wiemy, ˙ze nale˙z ˛a do konkretnej klasy), czyli tzw. zbioru treningowego zadaniem w problemie klasyfikacyjnym jest przypisanie klasy do no-wych, nieoznaczonych obserwacji na podstawie dost ˛epnych danych,
istnieje cała gama klasyfikatorów: pocz ˛awszy od wła´snie regresji logi-stycznej, poprzez metody zwi ˛azane z podej´sciem bayesowskim, ma-szyny wektorów no´snych a˙z do sieci neuronowych,
klasyfikatory s ˛a dobierane na podstawie dopasowania do konkretnego przypadku — zwykle interesuje nas skuteczno´s´c (lub te˙z czuło´s´c lub specyficzno´s´c)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Klasyfikator bayesowski
Klasyfikator bayesowski
Zaobserwowany wektor x klasyfikujemy jako pochodz ˛acy z tej klasy k, dla której warto´s´c
p(k |x) k = 1, ..., g jest najwi ˛eksza.
p(k |x) - prawdopodobie ´nstwo, ˙ze obserwacja x pochodzi z klasyk
Twierdzenie Bayesa
p(k |x) = Pgπkp(x|k )
r =1πrp(x|r )
= πkp(x|k ) p(x)
p(x|k ) - rozkład obserwacji x z klasy k ,
πk - prawdopodobie ´nstwo a priori, ˙ze obserwacja pochodzi z
klasy k ,
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Klasyfikator bayesowski
Klasyfikator bayesowski
Zaobserwowany wektor x klasyfikujemy jako pochodz ˛acy z tej klasy k, dla której warto´s´c
p(k |x) k = 1, ..., g jest najwi ˛eksza.
p(k |x) - prawdopodobie ´nstwo, ˙ze obserwacja x pochodzi z klasyk
Twierdzenie Bayesa
p(k |x) = Pgπkp(x|k )
r =1πrp(x|r )
= πkp(x|k ) p(x)
p(x|k ) - rozkład obserwacji x z klasy k ,
πk - prawdopodobie ´nstwo a priori, ˙ze obserwacja pochodzi z
klasy k ,
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Klasyfikator bayesowski
Klasyfikator bayesowski
Zaobserwowany wektor x klasyfikujemy jako pochodz ˛acy z tej klasy k, dla której warto´s´c
p(k |x) k = 1, ..., g jest najwi ˛eksza.
p(k |x) - prawdopodobie ´nstwo, ˙ze obserwacja x pochodzi z klasyk
Twierdzenie Bayesa
p(k |x) = Pgπkp(x|k )
r =1πrp(x|r )
= πkp(x|k ) p(x)
p(x|k ) - rozkład obserwacji x z klasy k ,
πk - prawdopodobie ´nstwo a priori, ˙ze obserwacja pochodzi z
klasy k ,
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Dla dwóch klas (g = 2)
p(2|x)
p(1|x) =
π2p(x|2) π1p(x|1)
Załó˙zmy teraz, ˙ze składowe wektorax = [x1,x2, ...,xp]T s ˛a niezale˙zne
p(x|k ) = p Y i=1 p(x(i)|k ) Wtedy p(2|x) p(1|x)= π2Qpi=1p(x i|2) π1Qpi=1p(xi|1)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Dla dwóch klas (g = 2)
p(2|x)
p(1|x) =
π2p(x|2) π1p(x|1)
Załó˙zmy teraz, ˙ze składowe wektorax = [x1,x2, ...,xp]T s ˛a niezale˙zne
p(x|k ) = p Y i=1 p(x(i)|k ) Wtedy p(2|x) p(1|x)= π2Qpi=1p(x i|2) π1Qpi=1p(xi|1)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Dla dwóch klas (g = 2)
p(2|x)
p(1|x) =
π2p(x|2) π1p(x|1) Załó˙zmy teraz, ˙ze składowe wektorax = [x1
,x2 , ...,xp ]T s ˛a niezale˙zne p(x|k ) = p Y i=1 p(x(i)|k ) Wtedy p(2|x) p(1|x)= π2Qpi=1p(x i|2) π1Qpi=1p(xi|1)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Dla dwóch klas (g = 2)
p(2|x)
p(1|x) =
π2p(x|2) π1p(x|1) Załó˙zmy teraz, ˙ze składowe wektorax = [x1
,x2 , ...,xp ]T s ˛a niezale˙zne p(x|k ) = p Y i=1 p(x(i)|k ) Wtedy p(2|x) p(1|x)= π2Qpi=1p(x i|2) π1Qpi=1p(xi|1)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Dla dwóch klas (g = 2)
p(2|x)
p(1|x) =
π2p(x|2) π1p(x|1) Załó˙zmy teraz, ˙ze składowe wektorax = [x1
,x2 , ...,xp ]T s ˛a niezale˙zne p(x|k ) = p Y i=1 p(x(i)|k ) Wtedy p(2|x) p(1|x)= π2Qpi=1p(x i|2) π1Qpi=1p(xi|1)
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Po zlogarytmowaniu lnp(2|x) p(1|x)=ln π2 π1 + p X i=1 lnp(x i|2) p(xi|1) Prowadzi to do nast ˛epuj ˛acej reguły klasyfikacyjnej:
Naiwny klasyfikator bayesowski dla g = 2
Je˙zeli lnπ2 π1 + p X i=1 lnp(x i|2) p(xi|1) >0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Po zlogarytmowaniu lnp(2|x) p(1|x)=ln π2 π1 + p X i=1 lnp(x i|2) p(xi|1)
Prowadzi to do nast ˛epuj ˛acej reguły klasyfikacyjnej:
Naiwny klasyfikator bayesowski dla g = 2
Je˙zeli lnπ2 π1 + p X i=1 lnp(x i|2) p(xi|1) >0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Po zlogarytmowaniu lnp(2|x) p(1|x)=ln π2 π1 + p X i=1 lnp(x i|2) p(xi|1) Prowadzi to do nast ˛epuj ˛acej reguły klasyfikacyjnej:
Naiwny klasyfikator bayesowski dla g = 2
Je˙zeli lnπ2 π1 + p X i=1 lnp(x i|2) p(xi|1) >0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Po zlogarytmowaniu lnp(2|x) p(1|x)=ln π2 π1 + p X i=1 lnp(x i|2) p(xi|1) Prowadzi to do nast ˛epuj ˛acej reguły klasyfikacyjnej:
Naiwny klasyfikator bayesowski dla g = 2
Je˙zeli lnπ2 π1 + p X i=1 lnp(x i|2) p(xi|1)>0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Cechy naiwnego klasyfikatora bayesowskiego:
addytywny wpływ kolejnych składowych wektora obserwacji x
warto´s´c prawdopodobie ´nstw p(xi|k ) s ˛a nieznane i estymujemy je jako ˆ
p(xi=l|k ) =nik(l) nik
nik - liczba wszystkich obserwacji w próbie ucz ˛acej z klasy
k , dla których została zmierzona warto´s´c i-tej składowej, nik(l) - liczba wszystkich obserwacji w próbie ucz ˛acej z
klasy k , dla których została zmierzona warto´s´c i-tej składowej, która przyj ˛eła poziom l
podobnie ˆπk estymujemy jakonnk, gdzie n liczba wszystkich obserwacji, nk - liczba obserwacji z klasy k
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Cechy naiwnego klasyfikatora bayesowskiego:
addytywny wpływ kolejnych składowych wektora obserwacji x
warto´s´c prawdopodobie ´nstw p(xi|k ) s ˛a nieznane i estymujemy je jako
ˆ
p(xi=l|k ) =nik(l) nik
nik - liczba wszystkich obserwacji w próbie ucz ˛acej z klasy
k , dla których została zmierzona warto´s´c i-tej składowej, nik(l) - liczba wszystkich obserwacji w próbie ucz ˛acej z
klasy k , dla których została zmierzona warto´s´c i-tej składowej, która przyj ˛eła poziom l
podobnie ˆπk estymujemy jakonnk, gdzie n liczba wszystkich obserwacji, nk - liczba obserwacji z klasy k
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Cechy naiwnego klasyfikatora bayesowskiego:
addytywny wpływ kolejnych składowych wektora obserwacji x
warto´s´c prawdopodobie ´nstw p(xi|k ) s ˛a nieznane i estymujemy je jako ˆ
p(xi=l|k ) =nik(l) nik
nik - liczba wszystkich obserwacji w próbie ucz ˛acej z klasy
k , dla których została zmierzona warto´s´c i-tej składowej, nik(l) - liczba wszystkich obserwacji w próbie ucz ˛acej z
klasy k , dla których została zmierzona warto´s´c i-tej składowej, która przyj ˛eła poziom l
podobnie ˆπk estymujemy jakonnk, gdzie n liczba wszystkich obserwacji, nk - liczba obserwacji z klasy k
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Cechy naiwnego klasyfikatora bayesowskiego:
addytywny wpływ kolejnych składowych wektora obserwacji x
warto´s´c prawdopodobie ´nstw p(xi|k ) s ˛a nieznane i estymujemy je jako ˆ
p(xi=l|k ) =nik(l) nik
nik - liczba wszystkich obserwacji w próbie ucz ˛acej z klasy
k , dla których została zmierzona warto´s´c i-tej składowej, nik(l) - liczba wszystkich obserwacji w próbie ucz ˛acej z
klasy k , dla których została zmierzona warto´s´c i-tej składowej, która przyj ˛eła poziom l
podobnie ˆπk estymujemy jakonnk, gdzie n liczba wszystkich obserwacji, nk - liczba obserwacji z klasy k
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski
Cechy naiwnego klasyfikatora bayesowskiego:
addytywny wpływ kolejnych składowych wektora obserwacji x
warto´s´c prawdopodobie ´nstw p(xi|k ) s ˛a nieznane i estymujemy je jako ˆ
p(xi=l|k ) =nik(l) nik
nik - liczba wszystkich obserwacji w próbie ucz ˛acej z klasy
k , dla których została zmierzona warto´s´c i-tej składowej, nik(l) - liczba wszystkich obserwacji w próbie ucz ˛acej z
klasy k , dla których została zmierzona warto´s´c i-tej składowej, która przyj ˛eła poziom l
podobnie ˆπk estymujemy jako nk
n, gdzie n liczba wszystkich obserwacji, nk - liczba obserwacji z klasy k
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
Kodowanie
Wilgotno´s´c powietrza:
0-30 % (mała), 31-70 % (´srednia), 71-100 % (du˙za),Ci´snienie atmosferyczne:
<990 hPa (niskie), 990-1010 hPa (´srednie), >1010 hPa (du˙ze),Klasy:
klasa 1 (pogoda), klasa 2 (deszcz),dzie ´n wilgotno´s´c ci´snienie klasa
1 2 3 4 5 6 7 8 9 10 11 12
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c?
lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = lnπˆ2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1) +lnˆp(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527521751 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527521751 =ln57 <0
Regresja logistyczna Ocena jako´sci modelu Klasyfikator bayesowski Naiwny klasyfikator bayesowski - przykład
wilgotno´s´c ci´snienie niskie
2
2
1
4
´srednie2
4
3
2
wysokie1
1
1
1
Σ
5
7
5
7
wilgotno´s´c ci´snienie niskie2/5
2/7
1/5
4/7
´srednie2/5
4/5
3/5
2/7
wysokie1/5
1/5
1/5
1/7
Σ
1
1
1
1
Estymacja prawdopodobie ´nstw a priori: ˆπ1=125, ˆπ2= 127.
Pojawia si ˛e nowa obserwacjax = [H = niska, p = wysokie]T. Do
której klasy nale˙zy j ˛a sklasyfikowa´c? lnp(2|x) p(1|x) = ln ˆ π2 ˆ π1 +lnp(H = niska|2)ˆ ˆ p(H = niska|1)+ln ˆ p(p = wysokie|2) ˆ p(p = wysokie|1) lnp(2|p(1|x)x) = ln127 5 12 +ln 27 2 5 +ln 17 1 5 =ln7527527151 =ln57 <0