Une explication intuitive (et courte) du théorème de Bayes
Le filtrage anti-spam basé sur une liste noire est défectueux – il est trop restrictif et les faux positifs sont trop bien. Mais le filtrage bayésien nous donne un terrain dentente – nous utilisons des probabilités. Lorsque nous analysons les mots dun message, nous pouvons calculer le risque quil sagisse dun spam (plutôt que de prendre une décision oui / non). Si un message a 99,9% de chances dêtre du spam, cest probablement le cas. Au fur et à mesure que le filtre est formé avec de plus en plus de messages, il met à jour les probabilités que certains mots conduisent à des messages de spam. Les filtres bayésiens avancés peuvent examiner plusieurs mots daffilée, comme un autre point de données.
Lectures complémentaires
On parle beaucoup de Bayes:
- Théorème de Bayes sur Wikipedia
- Discussion sur le codage de lhorreur
- Le grand essai sur le théorème de Bayes
Amusez-vous bien!
Autres articles de cette série
- Une brève introduction à la probabilité & Statistiques
- Une explication intuitive (et courte) de Bayes « Théorème
- Comprendre le théorème de Bayes avec des ratios
- Comprendre le problème de Monty Hall
- Comment analyser les données à laide de la moyenne
- Comprendre lanniversaire Paradoxe