Model Multinomial vs Bernoulli

Naive Bayes untuk teks memiliki dua varian utama. Memilih yang tepat antara Multinomial dan Bernoulli dapat meningkatkan akurasi Anda tanpa banyak disadari.

Model Multinomial memperhatikan berapa kali setiap kata muncul. Kata yang muncul lima kali menjadi bukti yang lebih kuat daripada kata yang hanya muncul sekali.

Model Bernoulli hanya menanyakan apakah suatu kata ada atau tidak ada. Pengulangan tidak berpengaruh; setiap kata menjadi sinyal sederhana ya atau tidak.

Multinomial membaca frekuensi, sedangkan Bernoulli membaca keberadaan. Perbedaan tunggal ini menentukan model mana yang paling sesuai dengan teks Anda.

Bernoulli juga menganggap kata yang tidak ada sebagai bukti yang bermakna. Tidak adanya kata free itu sendiri dapat mendorong pesan ke arah kelas ham.

Untuk dokumen yang lebih panjang, ketika hitungan kata membawa sinyal yang nyata, gunakan MultinomialNB. Model ini biasanya menjadi pilihan bawaan untuk pengelompokan topik dan dokumen.

Untuk potongan teks pendek seperti cuitan atau baris subjek, keberadaan kata lebih penting daripada hitungannya. Dalam hal ini, BernoulliNB sering kali lebih unggul.

Bernoulli mengharapkan fitur biner, sehingga model ini dapat mengubah hitungan menjadi biner untuk Anda. Multinomial menginginkan hitungan mentah langsung dari pengubah vektor Anda.

Anda mungkin juga melihat GaussianNB, tetapi model ini mengharapkan angka kontinu, bukan hitungan kata. Jangan gunakan model ini untuk fitur teks biasa.

Kedua varian menggunakan API scikit-learn yang persis sama. Anda hanya perlu mengganti nama kelas, lalu memanggil fit dan predict seperti biasa. 🔄

Jika ragu, latih keduanya dan bandingkan pada set yang disisihkan. Model dengan akurasi lebih tinggi pada data nyata adalah pilihan yang tepat.

Anda telah membandingkan hitungan Multinomial dengan keberadaan kata pada Bernoulli, mempelajari kapan masing-masing unggul, dan melihat bahwa keduanya menggunakan satu API yang sama. Cobalah keduanya dan biarkan data yang memilih. ✅