اگه با مدل‌های Naive Bayes کار کرده باشی، می‌دونی که تو شرایطی که تعداد نمونه‌ها بین کلاس‌ها نامتقارن باشه، عملکردش پایین میاد. Complement Naive Bayes (CNB) نسخه‌ای بهبود یافته از همین الگوریته که دقیقاً برای همین مشکل طراحی شده و با استفاده از اطلاعات کلاس‌های مکمل، احتمال واقعی رو بهتر تخمین می‌زنه.
📊 چرا CNB ارزش فکر کردن داره؟
تو داده‌های نامتوازن، مدل‌های سنتی ممکنه به سمت کلاس پرجمعیت‌تر تعصب پیدا کنن، اما CNB با بهره‌گیری از اطلاعات سایر کلاس‌ها دقت پیش‌بینی رو بالا می‌بره، مخصوصاً در طبقه‌بندی متن، تحلیل احساسات، تشخیص اسپم و دسته‌بندی خبرها.
📌 اگه می‌خوای دقیق‌تر متوجه شی CNB چطور کار می‌کنه و چطور می‌تونی تو پروژه‌های واقعی ازش استفاده کنی، مقاله کامل دیتایاد رو بخون 👇
🔗 الگوریتم مکمل بیز ساده (CNB)
📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@