Référentiel B — capacité IA
Naive Bayes
Architecture
Classifieur probabiliste appliquant le théorème de Bayes avec une hypothèse simplificatrice d'indépendance conditionnelle entre les variables explicatives
Capacités clés
- Classification probabiliste rapide et peu coûteuse en calcul, y compris sur de très grands volumes de données
- Performances souvent étonnamment bonnes en pratique malgré l'hypothèse simplificatrice d'indépendance des variables
- Adapté nativement à la classification de texte via des représentations de type sac de mots
Usages documentés par secteur
IndustrieTRL non déterminableDiffusion standard
Filtrage de spam et classification de texte à grande échelle
- Classification de documents par leur contenu, « par exemple des E-mails en spam et non-spam »
Sources de cet usage
- 1.Classification naïve bayésienne — Wikipédiasecondaire
RechercheTRL non déterminableDiffusion établie
Modèle de référence simple et rapide pour des tâches de classification de texte en traitement du langage naturel
Sources de cet usage
- 1.Classification naïve bayésienne — Wikipédiasecondaire
Limites connues
L'hypothèse d'indépendance conditionnelle entre variables est rarement vérifiée dans les données réelles, ce qui limite ses performances face à des méthodes plus sophistiquées lorsque les variables sont fortement corrélées.
Débats documentés
Appuis explicites (1)
Une fiche nomme l'autre dans sa thèse centrale ou son apport : elle s'y adosse.
- Alison Gopnikappui explicite
L'article « A theory of causal learning in children: causal maps and Bayes nets » (Gopnik, Glymour, Sobel, Schulz, Kushnir & Danks, Psychological Review, 111(1), 2004, 3-32) lui donne sa forme mathématique, en posant un « problème causal inverse » analogue au problème inverse de la vision.
Sources
- 1.Classification naïve bayésienne — Wikipédiasecondaire
Analyses de gap citant cette fiche
Fiches connexes — Data science / modèles prédictifs
- Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
- AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
- CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
- Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
- GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
- Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
- K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
- K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
Données brutes de cette fiche : /api/fiches/naive-bayes — voir la méthodologie.