درسنامهی ششم هوش مصنوعی؛ روش دستهبندی knn اول به اسمش توجه کنید که مخفف چیه knn = k-nearest neighbors یعنی k تا همسایهی نزدیکتر! فرض کنید که یه سری داده داریم که مشخصه متعلق به کدام یک از دو دسته A , B هستند یا به عبارتی برچسب یا لیبل دارند. حالا برای یه داده جدید (مربع مشکی در شکل بالا) که مشخص نیست متعلق به کدوم دسته است چطور تشخیص بدیم دسته چیه؟ روش knn میگه بیا و k همسایهی نزدیکترش رو پیدا کن و بعدش رایگیری کن. هر دسته رای بیشتری داشت رو به عنوان گروه مناسب برای اون داده جدید (مربع) لحاظ کن. مثلاً در شکل بالا به ازای k=5 سه همسایهی آبی و دو همسایهی قرمز داریم و خب آبی برنده میشه و برچسب آبی میزنیم به داده جدید و متعلق به گروه آبی محسوب خواهد شد. برای k=10 هم شش آبی و چهار قرمز در همسایگی هستند و باز هم آبی برنده میشه. این مثالهای عملی از این الگوریتمه. به همین راحتی! البته چالشهایی مثل انتخاب k یا برابری تعداد رای داریم که بعداً بهش اشاره میکنیم. این درسنامه رو ذخیره کنید و به دوستاتون هم بفرستید :) #هوش_مصنوعی #دسته_بندی #knn #یادگیری_نظارت_شده #درسنامه_هوش_مصنوعی کوشیار؛ جایی برای یادگیری! @kooshyar_ai @bahmanabadi_hossein 09364166626 Kooshyarlearn.ir
درسنامهی هفتم هوش مصنوعی؛ احتمال شرطی
قبل از اینکه وارد الگوریتم Naive Bayes بشیم، باید مفهوم احتمال شرطی رو یاد بگیریم.
فرض کنید اطلاعات ۱۰۰ نفر رو داریم.
۴۰ نفر بیمار هستند.۶۰ نفر سالم هستند.از بین ۴۰ بیمار، ۳۶ نفر تست مثبت دارند.از بین ۶۰ فرد سالم، ۶ نفر تست مثبت دارند.
حالا دو سؤال کاملاً متفاوت داریم:
۱) اگر بدانیم فرد بیمار است، احتمال مثبت شدن تست چقدره؟
یعنی:
P(test mosbat | bimar)
از ۴۰ بیمار، ۳۶ نفر تستشان مثبت شده است. پس:
P(test mosbat | bimar) = 36/40 = 90٪
حالا سؤال دوم:
۲) اگر بدانیم تست یک نفر مثبت شده، احتمال اینکه واقعاً بیمار باشد چقدره؟
یعنی:
P(bimar | test mosbat)
این بار دیگر فقط افرادی را بررسی میکنیم که تستشان مثبت شده است.
تعداد تستهای مثبت:
۳۶ + ۶ = ۴۲ نفر
از این ۴۲ نفر، ۳۶ نفر واقعاً بیمار هستند.
پس:
P(bimar | test mosbat) = 36/42 ≈ 86٪
دقت کنید که این دو احتمال برابر نیستند.
در احتمال شرطی، ترتیب اتفاقها اهمیت زیادی دارد و جابهجا کردن آنها معمولاً نتیجه را تغییر میدهد.
در درسنامهی بعدی میبینیم که الگوریتم Naive Bayes دقیقاً با استفاده از همین مفهوم احتمال شرطی، دادهها را دستهبندی میکند.
این درسنامه رو ذخیره کنید و به دوستاتون هم بفرستید :)
#هوش_مصنوعی#احتمال_شرطی#Naive_Bayes#یادگیری_نظارت_شده#درسنامه_هوش_مصنوعی
کوشیار؛ جایی برای یادگیری!
@kooshyar_ai@bahmanabadi_hossein09364166626Kooshyarlearn.ir
قبل از اینکه وارد الگوریتم Naive Bayes بشیم، باید مفهوم احتمال شرطی رو یاد بگیریم.
فرض کنید اطلاعات ۱۰۰ نفر رو داریم.
۴۰ نفر بیمار هستند.۶۰ نفر سالم هستند.از بین ۴۰ بیمار، ۳۶ نفر تست مثبت دارند.از بین ۶۰ فرد سالم، ۶ نفر تست مثبت دارند.
حالا دو سؤال کاملاً متفاوت داریم:
۱) اگر بدانیم فرد بیمار است، احتمال مثبت شدن تست چقدره؟
یعنی:
P(test mosbat | bimar)
از ۴۰ بیمار، ۳۶ نفر تستشان مثبت شده است. پس:
P(test mosbat | bimar) = 36/40 = 90٪
حالا سؤال دوم:
۲) اگر بدانیم تست یک نفر مثبت شده، احتمال اینکه واقعاً بیمار باشد چقدره؟
یعنی:
P(bimar | test mosbat)
این بار دیگر فقط افرادی را بررسی میکنیم که تستشان مثبت شده است.
تعداد تستهای مثبت:
۳۶ + ۶ = ۴۲ نفر
از این ۴۲ نفر، ۳۶ نفر واقعاً بیمار هستند.
پس:
P(bimar | test mosbat) = 36/42 ≈ 86٪
دقت کنید که این دو احتمال برابر نیستند.
در احتمال شرطی، ترتیب اتفاقها اهمیت زیادی دارد و جابهجا کردن آنها معمولاً نتیجه را تغییر میدهد.
در درسنامهی بعدی میبینیم که الگوریتم Naive Bayes دقیقاً با استفاده از همین مفهوم احتمال شرطی، دادهها را دستهبندی میکند.
این درسنامه رو ذخیره کنید و به دوستاتون هم بفرستید :)
#هوش_مصنوعی#احتمال_شرطی#Naive_Bayes#یادگیری_نظارت_شده#درسنامه_هوش_مصنوعی
کوشیار؛ جایی برای یادگیری!
@kooshyar_ai@bahmanabadi_hossein09364166626Kooshyarlearn.ir