Abstract
Application of a naive Bayesians classifiers in assessing the supplier
Highlights
Prednost Bajesovog učenja sagledava se u probabilističkom pristupu zaključivanju i odlučivanju
Interesovanja za primenu Bajesovu teoreme je značajno raslo nakon drugog svetskog rata, kada statistička inferencija bazirana na klasičnoj teoriji verovatnoće nije mogla uvek da pruži zadovoljavajući odgovor na realne probleme
U nekoliko konkretnih primera autori obrađuju problematiku naknadne a posteriorne verovatnoće i njihov uticaj promene na konačan rezultat, odnosno uticaj pozitivnih informacija o poslovanju kompanija na očekivani rast vrednosti akcija na tržištu
Summary
Interpretacija Bajesove teoreme je jednostavna i bazira se na odgovoru, ukoliko se glavni događaj desio, koja je verovatnoća da mu je prethodila neka od hipoteza. Pjer Simon Laplas je dalje razvio Bajesovu teoremu i objavio istu 1812. Godine u svom delu Analitička teorija verovatnoće (Théorie analytique des probabilités). Neka su A i B slučajni događaji i P(B|A) i P(A|B) uslovne verovatnoće. Ako pođemo od definicije uslovne verovatnoće imamo. Poslednju jednakost možemo zapisati i kao P(AB) = P(A|B)·P(B). Kada uvrstimo poslednju jednakost u početnu dobijamo Bajesovu formula: Verovatnoća P(Hi) je poznata unapred i pre sprovođenja eksperimenta, zbog čega se nazivaju a priornim verovatnoćama, a događaji hipotezama. Bajesovu teoremu je najlakše razumeti kao način za reviziju prethodnih uverenja koja smo dobili na bazi prethodno poznatih dokaza, tj. Kombinacija a priorne i a posteriorne verovatnoće su značajni jer je na njima bazirano zaključivanje o populaciji na osnovu uzroka
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have