Naive Bayes

순진 베이즈는 분류 작업에 널리 사용되는 기계 학습의 확률적 알고리즘 계열입니다. 통계적 원리에 기반하여 베이즈 정리를 특징들 사이에 강한(혹은 "순진한") 독립성 가정을 적용합니다. 단순함에도 불구하고, 이 방법은 데이터를 분류하는 데 매우 효과적이며, 특히 텍스트와 같은 고차원 데이터셋이 포함된 시나리오에서 그렇습니다. 이는 지도 학습의 핵심 구성 요소로, 계산 효율성과 예측 성능 사이의 균형을 제공합니다.

핵심 개념: "순진한" 가정

이 알고리즘은 주어진 데이터 포인트가 특정 클래스에 속할 확률을 예측합니다. "순진한" 측면은 특정 클래스에서 특정 특징의 존재가 다른 어떤 특징의 존재와도 무관하다는 가정에서 비롯됩니다. 예를 들어, 빨갛고 둥글며 지름이 약 3인치인 과일은 사과로 간주될 수 있습니다. 순진 베이즈 분류기는 이러한 각 특징을 독립적으로 고려합니다. 특징 추출 점들을 독립적으로 고려하여 색상, 둥근 모양, 크기 간의 가능한 상관관계와 무관하게 해당 과일이 사과일 확률을 계산합니다.

이러한 단순화는 모델 훈련에 필요한 계산 능력을 획기적으로 감소시킵니다. 모델 훈련에 필요한 계산 능력을 크게 줄여에 필요한 계산 능력을 크게 줄여 알고리즘을 매우 빠르게 만듭니다. 그러나 실제 데이터에는 종종 종속 변수 복잡한 관계를 포함하기 때문에, 이 가정은 더 복잡한 아키텍처에 비해 모델 성능을 제한할 수 있습니다.

실제 애플리케이션

순진 베이즈 분류기는 속도가 중요하고 독립성 가정이 상당히 잘 성립하는 응용 분야에서 두각을 나타낸다.

• 스팸 필터링: 나이브 베이즈의 가장 유명한 용도 중 하나는 자연어 처리(NLP) 이메일 필터링을 위한 자연어 처리(NLP) 분야입니다. 분류기는 이메일 내 단어(토큰)의 빈도를 분석하여 해당 이메일이 "스팸"인지 "햄"(정상)인지 판단합니다. "무료", "당첨자", "긴급"과 같은 단어의 존재 여부를 고려하여 메시지가 스팸일 확률을 계산합니다. 이 응용은 텍스트 분류 기법에 크게 의존하여 수신함의 정리를 유지합니다.
• 감정 분석: 기업들은 고객 리뷰나 소셜 미디어 게시물을 분석하여 여론을 측정하기 위해 이 알고리즘을 활용합니다. 특정 단어들을 긍정적 또는 부정적 감정과 연관시킴으로써, 모델은 방대한 양의 피드백을 신속하게 분류할 수 있습니다. 이를 통해 기업들은 대규모 감정 분석을 수행할 수 있습니다. 감정 분석 하여 모든 댓글을 수동으로 읽지 않고도 브랜드 인식을 파악할 수 있습니다.

컴퓨터 비전에서 나이브 베이즈 대 딥 러닝

나이브 베이즈는 텍스트에 대해서는 견고하지만, 컴퓨터 비전(CV)과 같은 지각 작업에서는 종종 어려움을 겪습니다. 컴퓨터 비전(CV). 이미지에서 한 픽셀의 값은 일반적으로 주변 픽셀들(예: 가장자리나 질감을 형성하는 픽셀 그룹)에 크게 의존합니다. 여기서 독립성 가정은 무너집니다.

복잡한 시각 작업들, 예를 들어 물체 탐지과 같은 복잡한 시각 작업에 대해, 현대적인 딥 러닝(DL) 모델이 선호됩니다. YOLO26 컨볼루션 레이어를 활용하여 순진 베이즈가 무시하는 공간적 계층 구조와 특징 상호작용을 포착합니다. 순진 베이즈가 확률적 기준선을 제공하는 반면, YOLO26과 같은 모델은 높은 정확도를 자율 주행이나 의료 진단에 필요한 높은 정확도를 제공합니다. 이러한 복잡한 비전 모델에 필요한 데이터셋 관리를 위해 Ultralytics 과 같은 도구는 단순한 표 형식 데이터 처리를 훨씬 뛰어넘는 효율적인 주석 작업 및 훈련 워크플로를 제공합니다.

베이즈 네트워크와의 비교

순진 베이즈(Naive Bayes)를 더 광범위한 개념인 베이즈 네트워크.

• 순진 베이즈: 모든 예측 변수 노드가 직접 클래스 노드를 가리키고 예측 변수 간 연결이 존재하지 않는 베이즈 네트워크의 특수화된 단순화된 형태.
• 베이즈 네트워크: 이들은 유향 비순환 그래프(DAG)를 를 사용하여 변수들 간의 복잡한 조건부 의존성을 모델링합니다. 이는 "순진한" 접근법이 단순화해 버리는 인과 관계를 표현할 수 있습니다.

구현 예시

동안 ultralytics 패키지는 딥러닝에 초점을 맞추고 있으며, 나이브 베이즈는 일반적으로 표준 scikit-learn 라이브러리다음 예제는 연속형 데이터에 유용한 가우시안 나이브 베이즈 모델을 훈련하는 방법을 보여줍니다.

import numpy as np
from sklearn.naive_bayes import GaussianNB

# Sample training data: [height (cm), weight (kg)] and Labels (0: Cat A, 1: Cat B)
X = np.array([[175, 70], [180, 80], [160, 50], [155, 45]])
y = np.array([0, 0, 1, 1])

# Initialize and train the classifier
model = GaussianNB()
model.fit(X, y)

# Predict class for a new individual [172 cm, 75 kg]
# Returns the predicted class label (0 or 1)
print(f"Predicted Class: {model.predict([[172, 75]])[0]}")

장점 및 제한 사항

나이브 베이즈의 주요 장점은 매우 낮은 추론 지연 시간 과 최소한의 하드웨어 요구사항입니다. 이는 지원 벡터 머신(SVM)과 같은 다른 알고리즘을 느리게 할 수 있는 방대한 데이터셋을 해석할 수 있습니다. 또한 독립성 가정이 위반되는 경우에도 놀라울 정도로 우수한 성능을 발휘합니다.

그러나 독립적인 특징에 의존한다는 점은 속성 간의 상호작용을 포착할 수 없음을 의미합니다. 예측이 단어 조합(예: "좋지 않다")에 의존하는 경우, 순진 베이즈는 어텐션 메커니즘 나 트랜스포머모델에 비해 어려움을 겪을 수 있습니다. 또한 테스트 데이터의 특정 범주가 테스트 데이터 에 존재하지 않는 경우, 모델은 해당 항목에 0 확률을 할당하는데, 이 문제는 종종 라플라스 평활화로 해결됩니다.