Классификация. 
Определение университетского рейтинга

В машинном обучении и статистики, существует такое понятие, как классификация — это определение тестовой выборки к определенной категории (подгруппе), на основании обучающей, чьи категории (подгруппы) уже известны. В отдельных наблюдениях анализируется набор измеримых свойств, известных как различные независимые переменные. Эти свойства могут быть категорированы по-разному (например, «A», «B», «AB» или «O», для групп крови; порядковый номер; целочисленные, например число появлений слова в файле).

Алгоритм, реализующий классификацию, известен как классификатор. Термин «классификатор» иногда также относится и к математической функции, выходными данными реализуемого алгоритма классификации являются данные о принадлежности объектов к подгруппам.

Наивный байесовский классификатор

В машинном обучении, наивные байесовские классификаторы составляют семейство из простых вероятностных классификаторов, основанных на прикладной теореме Байеса.

Наивный байесовский классификатор — популярный метод классификации, предназначенный для классификации документов Классификация документов — одна из задач информационного поиска, заключающаяся в отнесении документа к одной из нескольких категорий на основании содержания документа. Он является конкурентоспособным в этой области с более продвинутыми методами, в том числе с методом опорных векторов Метод опорных векторов (англ. SVM, support vector machine) — набор схожих алгоритмов обучения с учителем, использующихся для задач классификации и регрессионного анализа. [16].

В простых терминах, наивный Байесовский классификатор предполагает, что значение определенной функции не связано с наличием или отсутствием любых других функций, заданной переменной класса. Например, плод может считаться «яблоком», если он красный, круглый, и около 3 см в диаметре. Наивный байесовский классификатор учитывает все эти особенности и самостоятельно просчитывает вероятность того, что этот фрукт — яблоко, независимо от наличия или отсутствия других свойств.

Несмотря на всю простоту, наивный байесовский классификатор работает достаточно хорошо во многих сложных прикладных задачах нашего времени. Преимущество байесовского классификатора в том, что он требует небольшого количества данных (свойств) для оценки параметров, необходимые для классификации.