Multinomial ve Bernoulli Modelleri

Metin için Naif Bayes'in iki temel çeşidi vardır. Çok Terimli ile Bernoulli arasında doğru seçimi yapmak, doğruluğunuzu fark ettirmeden artırabilir.

Çok Terimli model, her sözcüğün kaç kez göründüğünü önemser. Beş kez görülen bir sözcük, bir kez görülenden daha güçlü kanıt sayılır.

Bernoulli modeli yalnızca bir sözcüğün bulunup bulunmadığını sorar. Tekrarlar önemli değildir; her sözcük basit bir evet-hayır sinyalidir.

Çok Terimli sıklığı okurken Bernoulli varlığı okur. Bu tek ayrım, metniniz için hangi modelin daha uygun olduğunu belirler.

Bernoulli, eksik bir sözcüğü de anlamlı bir kanıt olarak değerlendirir. free sözcüğünün bulunmaması, iletiyi tek başına ham sınıfına doğru itebilir.

Sözcük sayımlarının gerçek bir sinyal taşıdığı uzun belgelerde MultinomialNB'yi tercih edin. Konu ve belge sınıflandırması için genellikle varsayılan seçim budur.

Tweetler veya konu satırları gibi kısa parçalar için varlık, sayımlardan daha önemlidir. Bu durumda BernoulliNB çoğu zaman daha iyi sonuç verir.

Bernoulli ikili özellikler bekler; bu nedenle sayımları sizin için ikili hâle getirebilir. Çok Terimli ise vektörleştiricinizden gelen ham sayım sonuçlarını ister.

GaussianNB'yi de görebilirsiniz; ancak bu yöntem sözcük sayımlarını değil, sürekli sayıları bekler. Düz metin özellikleri için onu kullanmayın.

Her iki varyant da tamamen aynı scikit-learn API'sini paylaşır. Sınıf adını değiştirmeniz, ardından fit ve predict çağrılarını her zamanki gibi yapmanız yeterlidir. 🔄

Emin değilseniz her ikisini de eğitin ve ayrılmış bir küme üzerinde karşılaştırın. Gerçek verilerde doğruluğu daha yüksek olan model doğru seçimdir.

Multinomial sayılarını Bernoulli varlığıyla karşılaştırdınız, her birinin ne zaman öne çıktığını öğrendiniz ve aynı API'yi paylaştıklarını gördünüz. İkisini de deneyin ve kararı veriye bırakın. ✅