algoritmos de

clasificacion
bayes: naïve bayes
- Ylana guerrero
- Janer Ravelo
- Angie Rangel
- Sebastián Ospino
- Valentina Martínez
Introducción

definición
Historia del algoritmo de Naive Bayes
El término bayesiano viene de Thomas Bayes (1702-1761), quien demostró
un caso especial de lo que ahora se llama el Teorema de Bayes en un
documento titulado "Un ensayo para resolver un problema en la doctrina de
las posibilidades".​
 Metodología bayesiana

Los métodos bayesianos se caracterizan por los siguientes conceptos y procedimientos:

• El uso de variables aleatorias, o, más en general, de cantidades desconocidas,​ para

modelar todas las fuentes de incertidumbre en los modelos estadísticos. Esto también
incluye la incertidumbre derivada de la falta de información.
• La necesidad de determinar la distribución de probabilidad previa, teniendo en cuenta la
información disponible (antes).
Tipos de modelo Naive Bayes
Existen tres tipos de modelo Naive Bayes:

1.Gaussiano

2.Multinomial

3.Bernoulli
 Representación matemática

La fórmula del teorema de Bayes es la siguiente:

P(h|D)=[P(D|h)*P(h)]/P(D)
 Ejemplo:
Consideremos el caso de dos compañeros que trabajan en la misma oficina: Alicia y Bruno.
Sabemos que:

• Alicia viene a la oficina 3 días a la semana.

• Bruno viene a la oficina 1 día a la semana.

• P(Alicia) = 3/4 = 0.75

• P(Bruno) = 1/4 = 0.25

También sabemos lo siguiente:

• Alicia viste de rojo 2 veces a la semana.

• Bruno viste de rojo 3 veces a la semana.

Se puede inferir lo siguiente:

• La probabilidad de que Alicia vista de rojo es → P(Rojo|Alicia) = 2/5 = 0.4

• La probabilidad de que Bruno vista de rojo → P(Rojo|Bruno) = 3/5 = 0.6

Formalmente, el grafico previo seria:
Ventajas y desventajas
Aplicacion de algoritmos ingenuos de bayes
los clasificadores naïve bayes que se usan principalmente en la
clasificacion de texto ( debido a un mejor resultado en problemas de
clases multiples y la regla de independencia) disponen una mayor tasa
de exito en comparacion con otros algoritmos, como conseecuencia, se
usa ampliamente en el filtrado de correo no deseado y el analisis de
sentimientos ( en el analisis de redes sociales, para identificar los
sentimientos positivos y negativos de los clientes
conclusión
Gracias!