データサイエンスのための統計学入門 第2版 ―予測、分類、統計モデリング、統計的機械学習とR/Pythonプログラミング

5.1

 ナイーブベイズ

■

207

probabilities = pd.DataFrame(naive_model.predict_proba(new_loan),

columns=loan_data[outcome].cat.categories)

print('predicted probabilities', probabilities)

predicted class: default

predicted probabilities

default paid off

0 0.653696 0.346304

予測では、返済不能の事後確率も推定する。ナイーブベイズ分類は、バイアスのあ

る推定を行うことが知られている。しかし、目標が

Y

＝

1

の確率に従って、レコードを

順位付けすることである場合、バイアスのない不偏推定確率は必要なく、ナイーブベイ

ズで良い結果が得られる。

5.1.3

 数値予測変数

定義から、ベイズ分類がカテゴリ予測変数でしかうまくいかない（例：スパム分類に

おいては、単語、句、文字などの存在あるいは欠如が、予測の核心を占める）のがわか

る。数値予測変数にナイーブベイズを適用するには、次の

2

つの方式のどちらかをとる。

●

ビン分けして数値予測変数をカテゴリ変数に変換し、前節のアルゴリズムを適用

する。

●

例えば、正規分布（「2.6　正規分布」参照）のような確率モデルを用い、条件付き

確率

P

(

X

j

| Y

＝

i

)

を推定する。

訓練データに予測変数のカテゴリが存在しない場合、アルゴリズムは、他の ...