Genel olarak naif Bayes sınıflandırıcı doğrusal değildir, ancak bu olasılık faktörler ise ile ilgili olarak üstel ailesine , bir özelliği, uzayda naif Bayes sınıflandırıcı karşılık doğrusal sınıflandırıcı. İşte bunu görmek için nasıl.p(xi∣c)
Herhangi bir saf Bayes sınıflandırıcısını * olarak yazabilirsiniz.
p ( c = 1 ∣ x )=σ(∑igünlükp (xi∣ c = 1 )p ( xben∣ c = 0 )+ logp ( c = 1 )p ( c = 0 )) ,
burada olan lojistik fonksiyon . Eğer p ( x i | c ) üstel aileden, biz olarak yazabilirizσp(xi∣c)
p(xi∣c)=hi(xi)exp(u⊤icϕi(xi)−Ai(uic)),
ve dolayısıyla
p(c=1∣x)=σ(∑iw⊤iϕi(xi)+b),
nerede
wib=ui1−ui0,=logp(c=1)p(c=0)−∑i(Ai(ui1)−Ai(ui0)).
Bunun reg i tarafından tanımlanan özellik alanındaki lojistik regresyona - doğrusal bir sınıflandırıcıya - benzer olduğunu unutmayın . İkiden fazla sınıf için, benzer şekilde, multinomial lojistik (veya softmax) regresyonu elde ederiz .ϕi
Eğer Gauss ise, ϕ i ( x i ) = ( x i , x 2 i ) ve w i 1 olması gerekir.
p(xi∣c)ϕi(xi)=(xi,x2i)
wi1wi2bi=σ−21μ1−σ−20μ0,=2σ−20−2σ−21,=logσ0−logσ1,
p varsayarak ( c = 1 ) = p ( c = 0 ) = 1 .p(c=1)=p(c=0)=12
* İşte bu sonucu türetmek nasıl:
p(c=1∣x)=p(x∣c=1)p(c=1)p(x∣c=1)p(c=1)+p(x∣c=0)p(c=0)=11+p(x∣c=0)p(c=0)p(x∣c=1)p(c=1)=11+exp(−logp(x∣c=1)p(c=1)p(x∣c=0)p(c=0))=σ(∑ilogp(xi∣c=1)p(xi∣c=0)+logp(c=1)p(c=0))