Naive Bayes（ナイーブベイズ）
Naive Bayes（ナイーブベイズ）は、機械学習における確率的分類器の一つで、ベイズの定理に基づいています。以下にナイーブベイズの主要な特徴と概念をまとめます： 基本概念 ベイズの定理: ナイーブベイズの基礎となる数式です。 $$P(A|B) = \frac{P(B|A)P(A)}{P(B)}$$ ここで、A はクラス、B は特徴を表します。 ここで: $P(A|B)$ は、Bが与えられた時のAの条件付き確率（事後確率） $P(B|A)$ は、Aが与えられた時のBの条件付き確率（尤度） $P(A)$ はAの事前確率 $P(B)$ はBの確率（証拠） ナイーブベイズの文脈では: A はクラス（分類したいカテゴリ） B は特徴（観測されたデータ） を表します。この公式を使用して、与えられた特徴Bに対して、最も確率の高いクラスAを予測します。ナイーブベイズの「ナイーブ」な仮定は、各特徴が互いに独立していると仮定することです。これにより、複数の特徴がある場合の計算が簡略化されます。 「ナイーブ」の意味: 特徴間の独立性を仮定しています。この仮定により計算が簡略化されますが、現実世界では必ずしも成り立たない場合があります。 確率的モデル: 各クラスの確率を計算し、最も確率の高いクラスを予測結果とします。 主な種類 ガウシアンナイーブベイズ: 連続値の特徴に対して使用され、正規分布を仮定します。 多項式ナイーブベイズ: 離散値の特徴に対して使用され、多項分布を仮定します。テキスト分類でよく使われます。 ベルヌーイナイーブベイズ: 二値特徴（0または1）に対して使用され、ベルヌーイ分布を仮定します。 利点 実装が簡単で計算効率が良い 少量のトレーニングデータでも良好な性能を発揮する 高次元の入力に対しても効果的 欠点 特徴間の独立性の仮定が現実世界では成り立たないことが多い 数値予測には不向き 応用例 スパムメール分類 感情分析 文書カテゴリ分類 医療診断 実装例 (Python/scikit-learn) from sklearn.naive_bayes import GaussianNB from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # データの準備 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0....