Qu'est-ce qu'un classificateur naïf bayésien?

Le classificateur naïf bayésien est un classificateur probabiliste simple basé sur l’application du théorème de Bayes en supposant l’indépendance des caractéristiques.

Idée :

• Calculer la probabilité qu’un objet appartienne à une classe, en tenant compte des valeurs des caractéristiques.
• Supposer que toutes les caractéristiques sont indépendantes, ce qui simplifie les calculs.

Exemple : classification des emails en spam ou non spam selon les mots dans le texte.

Avantages :

• Rapide et facile à mettre en œuvre.
• Fonctionne bien avec de grands ensembles de données.

Limitations :

• La supposition d’indépendance des caractéristiques n’est souvent pas respectée, ce qui peut réduire la précision.

Exemple en Python avec sklearn :

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer

texts = ["message spam", "réunion importante", "acheter maintenant", "mise à jour du projet"]
labels = [1, 0, 1, 0]  # 1 - spam, 0 - pas spam

vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)

model = MultinomialNB()
model.fit(X, labels)

new_text = ["acheter réunion"]
X_new = vectorizer.transform(new_text)
prediction = model.predict(X_new)
print(prediction)  # Affichera [1] - spam