{{indexmenu_n>7}}

<timer 2000-01-01 00:00:01=2017-11-16 12:45:00>
Obsah této stránky bude přístupný od 16. 11. 2017.
</timer>

<timer 2017-11-16 12:45:01=->

====== Cvičení 7 - Naivní bayesovská klasifikace a lineární klasifikátor ======

Test: https://goo.gl/forms/4ofwjWzWByjk3MIo1

===== Naivní baysevskový klasifikátor =====

* Klasifikace podle maxima aposteriorní pravděpodobnosti
* Převod apriorní znalosti a pozorování na aposteriorní pravděpodobnost pomocí bayesova vzorce
* Proč je klasifikátor naivní

**Příklad:** Hráči chodí hrát tenis, ale hrají pouze za příznivého počasí. Příklady jejich rozhodnutí jsou v následující tabulce. Atributy jsou ''"outlook"'', ''"temperature"'', ''"humidity"'', ''"windy"'' a rozhodnutí je ve sloupečku ''"play"''.
Vyzkoušejte rozdování pomocí jednoho příznaku ()


^ outlook ^ temperature ^ humidity ^ windy ^ play ^
| sunny	  | hot	        | high	   | false | no  |
| sunny	  | hot	        | high	   | true  | no  | 
| overcast| hot	        | high	   | false | yes | 
| rainy	  | mild	| high	   | false | yes | 
| rainy	  | cool	| normal   | false | yes | 
| rainy	  | cool	| normal   | true  | no  | 
| overcast| cool	| normal   | true  | yes | 
| sunny	  | mild	| high	   | false | no  | 
| sunny	  | cool	| normal   | false | yes | 
| rainy	  | mild	| normal   | false | yes | 
| sunny	  | mild	| normal   | true  | yes | 
| overcast| mild	| high     | true  | yes | 
| overcast| hot	        | normal   | false | yes | 
| rainy	  | mild	| high	   | true  | no  | 

<code>
# naivni Bayes
library(e1071)
# je treba zkonvertovat "logical" priznak na "numeric" 
d$windy <- as.numeric(d$windy)
mod <- naiveBayes(play~., data)

# vyzkousejme klasifikator
predict(mod,data)
table(predict(mod,data),data$play)

# a klasifikujme nove pozorovani:
newdata <- data.frame(outlook='sunny',temperature='hot',humidity='normal',windy=0)
predict(mod,newdata)
</code>


===== Lineární klasifikátor =====

* lineární rozhodovací nadrovina
* pod lineární klasifikaci spadá mnoho metod - perceptron, logistická regrese, SVM
* učení klasfikátoru - optimalizační úloha (např. minimalizace počtu špatně klasifikovaných pozorování)

=== Logistická regrese ===
* lineární klasifikátor, který predikuje log odds
* generalizovaný lineární model
* vyzkoušejte v R

<code>
data("iris")

iris <- iris[iris$Species %in% c('setosa','versicolor'),]
iris$Species <- factor(as.character(iris$Species))
iris$Species_setosa <- iris$Species == 'setosa'

# loistická regrese
logreg <- glm(Species_setosa ~ Sepal.Length + Sepal.Width,data=iris,family=binomial(link='logit')) 
summary(logreg)

logregcoef <- coef(logreg)
plot(iris$Sepal.Length,iris$Sepal.Width,col=iris$Species_setosa + 2)
abline(a=-logregcoef[1]/logregcoef[3],b=-logregcoef[2]/logregcoef[3])

table(predict(logreg) > 0,iris$Species_setosa)
</code>


</timer>