Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
単純ベイズ分類利用のための基礎知識 #TechLunch
Search
Livesense Inc.
PRO
April 23, 2014
Technology
0
98
単純ベイズ分類利用のための基礎知識 #TechLunch
2012/04/18(水) @ Livesense TechLunch
発表者:福田 絵里
Livesense Inc.
PRO
April 23, 2014
Tweet
Share
More Decks by Livesense Inc.
See All by Livesense Inc.
27新卒_Webエンジニア職採用_会社説明資料
livesense
PRO
0
2.4k
株式会社リブセンス・転職会議 採用候補者様向け資料
livesense
PRO
0
51
株式会社リブセンス 会社説明資料(報道関係者様向け)
livesense
PRO
0
1.5k
データ基盤の負債解消のためのリプレイス
livesense
PRO
0
440
26新卒_総合職採用_会社説明資料
livesense
PRO
0
11k
株式会社リブセンス会社紹介資料 / Invent the next common.
livesense
PRO
1
37k
26新卒_Webエンジニア職採用_会社説明資料
livesense
PRO
1
13k
中途セールス職_会社説明資料
livesense
PRO
0
260
EM候補者向け転職会議説明資料
livesense
PRO
0
130
Other Decks in Technology
See All in Technology
Django's GeneratedField by example - DjangoCon US 2025
pauloxnet
0
110
EncryptedSharedPreferences が deprecated になっちゃった!どうしよう! / Oh no! EncryptedSharedPreferences has been deprecated! What should I do?
yanzm
0
150
【実演版】カンファレンス登壇者・スタッフにこそ知ってほしいマイクの使い方 / 大吉祥寺.pm 2025
arthur1
1
650
AI駆動開発に向けた新しいエンジニアマインドセット
kazue
0
330
AWSで始める実践Dagster入門
kitagawaz
1
570
初めてAWSを使うときのセキュリティ覚書〜初心者支部編〜
cmusudakeisuke
1
220
生成AIでセキュリティ運用を効率化する話
sakaitakeshi
0
470
[ JAWS-UG 東京 CommunityBuilders Night #2 ]SlackとAmazon Q Developerで 運用効率化を模索する
sh_fk2
3
370
20250910_障害注入から効率的復旧へ_カオスエンジニアリング_生成AIで考えるAWS障害対応.pdf
sh_fk2
3
200
複数サービスを支えるマルチテナント型Batch MLプラットフォーム
lycorptech_jp
PRO
0
280
COVESA VSSによる車両データモデルの標準化とAWS IoT FleetWiseの活用
osawa
1
260
AWSで推進するデータマネジメント
kawanago
1
1.3k
Featured
See All Featured
Dealing with People You Can't Stand - Big Design 2015
cassininazir
367
27k
Site-Speed That Sticks
csswizardry
10
810
Automating Front-end Workflow
addyosmani
1370
200k
Art, The Web, and Tiny UX
lynnandtonic
302
21k
Reflections from 52 weeks, 52 projects
jeffersonlam
352
21k
Context Engineering - Making Every Token Count
addyosmani
1
23
Writing Fast Ruby
sferik
628
62k
[RailsConf 2023] Rails as a piece of cake
palkan
57
5.8k
Fantastic passwords and where to find them - at NoRuKo
philnash
52
3.4k
Code Reviewing Like a Champion
maltzj
525
40k
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
252
21k
Making the Leap to Tech Lead
cromwellryan
135
9.5k
Transcript
単純ベイズ分類器 利用のための基礎知識
•事前確率 ・ある変数について知られていることを確率とし て表現するもの ・証拠なし •事後確率 ・証拠を考慮に入れた条件での変数の確率 事前確率・事後確率 相性が良い確率 0.5
相性が良い確率 0.7 データ: スポーツの趣味 が一致 初対面
「あなたは事業ネタ鑑定人です」 ・事業が成功する確率は「千に3つ」 ・それが成功ネタの時:言い当てられる確率99% ・それが失敗ネタの時:言い当てられる確率90% ある日、絶対成功ネタだ!とあなたが確信した 事業ネタに出会います。 問題:それが実際に成功ネタである確率は?? 事前確率・事後確率 (問)
「あなたは事業ネタ鑑定人です」 ・事業が成功する確率は「千に3つ」 ・それが成功ネタの時:言い当てられる確率99% ・それが失敗ネタの時:言い当てられる確率90% ある日、絶対成功ネタだ!とあなたが確信した 事業ネタに出会います。 問題:それが実際に成功ネタである確率は?? 正解:2.9% 事前確率・事後確率 (解答)
事前確率 事後確率
AのもとでBが起こる確率× Aの起こる確率 BのもとでAが起こる確率= ―――――――――――――――――――― Bの起こる確率 ベイズの定理 データ 事前確率 事後確率
データDが得られたときの原因がH 1 である確率 ベイズの基本公式 データ(結果) 仮説1(原因) = 一般化
H1 = 成功、H2 = 失敗、D = 成功判定 P(成功) = 成功ネタである確率
= 0.3% P(失敗) = 成功ネタでない確率 = 99.7% P(成功判定|成功) = 成功ネタを成功と判定する確率 = 99% P(成功判定|失敗) = 失敗ネタを成功と判定する確率 = 10% P(成功|成功判定) = 成功判定されたネタが実際に成功ネタである確率 P(成功判定|成功) × P(成功) = ――――――――――――――――――――――――――――― P(成功判定|成功) × P(成功) + P(成功判定|失敗) × P(失敗) = 2.9% 事前確率・事後確率 (解説) 事前確率 事後確率
ベイズ理論を利用して、与えられたデータを目的のカテゴリー に分類する技法。 •単純ベイズ分類器 (Naive Bayes classifier) ベイズ分類の最も簡単なもの。 カテゴリ毎に「そのカテゴリに属する文書」を使って学習。 数あるテキスト分類の技法との比較すると、 実装が簡単、高速
→ 比較的よく利用されている •補集合単純ベイズ分類器 (Complement Bayes classifier) カテゴリ毎に「そのカテゴリに属さない文書」を使って学習。 速さは単純ベイズ分類より多少劣るが、単純ベイズ分類よりも 精度が高い。 ベイズ分類器 (Bayes classifier)
※テキスト分類手法:非常に多くの研究があり、そのア ルゴリズムも大量 ナイーブベイズ、決定木、Rocchio分類法、k-最近傍法、ロジス ティック回帰、ニューラルネットワーク、サポートベクトルマシン 、ブースティング etc... ※一般的には、サポートベクトルマシンやブースティン グが他の手法と比べて高精度な分類ができると言われて いる
•Paul Grahamのスパム対策 → ベイジアンフィルタを考案 単純ベイズ分類器の適用例 学習量が増えると フィルタの分類精 度が上昇 個々の判定を間違えた
場合には、ユーザが正 しい内容に判定しなお し、再学習 数学モデル 数学モデル ( (ベイズ理論 ベイズ理論) ) スパムメール スパムではない メール トレーニング 用データ 参照 登録 元メール 再学習
→次回 単純ベイズ分類器実装
→次回 MySQL Cluster 7.2