Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Data Science, Predictive Analytics oder einfach: – Datenanalyse – Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

12. Naives Bayes-Klassifikationsverfahren

verfasst von : Marlis von der Hude

Erschienen in: Predictive Analytics und Data Mining

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Das naive Bayes-Verfahren ist ein weiteres Klassifikationsverfahren. Es wird zunächst für jede Klasse die Wahrscheinlichkeit geschätzt, mit der ein Objekt zu dieser Klasse gehört, wobei die aus der Statistik bekannte Bayes-Formel für bedingte Wahrscheinlichkeiten benutzt wird. Anschließend wird die Klasse mit der höchsten Wahrscheinlichkeit für die Klassenprognose gewählt. Bei der bedingten Wahrscheinlichkeit stellen die Eigenschaften des Objekts die Bedingung dar. Beim naiven Bayes Ansatz geht man davon aus, dass die Objekteigenschaften innerhalb der Klassen unabhängig voneinander eintreten. Dadurch kommt man auch mit relativ kleinen Objektanzahlen aus.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Klassifikations- und Regressionsbäume (Trees)
Nächstes Kapitel Support-Vector-Machines
Fußnoten
1
Bei stetigen Zufallsvariablen werden die Wahrscheinlichkeiten für einzelne Werte
$$\begin{aligned} P(X=\mathbf {x})=P(X_1=x_1,\ldots ,X_p=x_p) \end{aligned}$$
durch eine Dichtefunktion ersetzt.
 
2
Maximum-Likelihood-Prinzip.
 
3
Wenn wir die Performance der verschiedenen Prognoseverfahren in einem späteren Kapitel vergleichen, werden wir dies anhand der Trennung in Trainings- und Testdaten tun.
 
Metadaten
Titel
Naives Bayes-Klassifikationsverfahren
verfasst von
Marlis von der Hude
Copyright-Jahr
2020
Buch
Predictive Analytics und Data Mining

Print ISBN: 978-3-658-30152-1

Electronic ISBN: 978-3-658-30153-8

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-658-30153-8_12