Makine Öğrenmesi · Bölüm 4

Naive Bayes: olasılıkla karar

İki sensörü birleştirip "önde engel var mı?" sorusunu yanıtlamak

Veri. Robot her an iki sensör okur: ultrasonik mesafe ve IR yansıma. 120 etiketli ölçümümüz var: 70'i boş yolda, 50'si önde engel varken. İki sensör de gürültülü; tek başına hiçbiri güvenilir değil.

etiketli ölçümler120 ölçüm · 70 boş · 50 engel

1 / 12

naive_bayes.pypython

import numpy as np
from robot import X, y, Q # [mesafe cm, IR], 1 = engel
def fit(X, y):
return [(X[y == c].mean(0), X[y == c].var(0), (y == c).mean()) for c in (0, 1)] # ortalama, varyans, önsel
def logp(x, m, v, prior):
return np.log(prior) - 0.5 * (np.log(2 * np.pi * v) + (x - m) ** 2 / v).sum() # bağımsız: log olasılıklar toplanır
model = fit(X, y)
for x in Q:
s = [logp(x, *model[c]) for c in (0, 1)] # iki sınıfın puanı
print(int(np.argmax(s))) # büyük olan kazanır

Sahnedeki her sayı, aynı algoritmanın tarayıcında yapılan gerçek çalıştırmasından gelir (sabit tohum, her seferinde aynı sonuç). Python kodunu kendi bilgisayarında çalıştırırsan rastgele başlangıçlar farklı olacağı için sayılar biraz değişebilir.

Nasıl çalışır

Her sınıf için her sensörün ortalaması ve varyansı hesaplanır: dört çan eğrisi. Sınıfların oranı da önsel olasılıktır (70/120, 50/120).
"Naive" varsayım: sınıf bilindiğinde sensörler birbirinden bağımsızdır. Böylece olasılıklar çarpılır, logaritmada toplanır.
Yeni ölçüm için iki sınıfın log olasılığı hesaplanır; büyük olan kazanır.
Sonuçta sınır eğri bir çizgidir (iki Gauss’un karşılaştığı yer). 30 saklı ölçümle doğruluk ölçülür.

Neden önemli

Az veriyle bile çalışır, eğitimi bir ortalama ve varyans hesabıdır, ve her kararın gerekçesi okunabilir. Veri madenciliğinin en çok kullanılan on algoritmasından biridir; spam süzgeçleri, arıza teşhisi ve sensör birleştirmede hâlâ yaygındır.

ESOF 323, 11. hafta: robotlarda derin öğrenme →