探索朴素贝叶斯模型（基本資料挖掘教程）

Microsoft 樸素貝葉斯演算法提供數種方法來展示自行車購買與輸入屬性之間的互動。

Microsoft朴素貝氏查看器提供下列標籤頁，可用於檢視朴素貝氏採礦模型：

相依性網路

[ 相依性網络 ] 索引卷標的運作方式與 [Microsoft 樹視圖器] 的 [ 相依性網络 ] 索引卷標相同。查看器中的每個節點都代表屬性，節點之間的線條代表關聯性。在查看器中，您可以看到影響「Bike Buyer」這個可預測屬性狀態的所有屬性。

使用 [採礦模型查看器] 索引卷標頂端的 [採礦模型] 列表，切換至TM_NaiveBayes模型。
使用 查看器 列表切換至 Microsoft 朴素貝葉斯查看器。
點擊 Bike Buyer 節點以識別相依性。

粉紅色底紋表示所有屬性對自行車購買都有影響。
調整滑桿以識別最具影響力的屬性。

當您降低滑桿時，只會保留對 [Bike Buyer] 資料行影響最大的屬性。藉由調整滑桿，您可以發現其中一些最具影響力的屬性是：擁有的汽車數目、通勤距離和子系總數。

屬性設定檔 索引標籤描述了輸入屬性的不同狀態如何影響可預測屬性的結果。

在 [ 可預測] 方塊中，確認 Bike Buyer 已選取。
如果 採礦圖例 封鎖了 屬性配置檔的顯示，請將其移出。
在 直方圖 列方塊中，選取 5。

在我們的模型中，5 是任何一個變數的最大狀態數目。

影響此可預測屬性狀態的屬性會與輸入屬性的每個狀態值及其分佈在可預測屬性的每個狀態一起列出。
在屬性欄中，尋找 擁有的汽車數量。請注意自行車買家直方圖（標示為 1 的數據行）和非買家的直方圖差異（標示為 0 的數據行）。擁有零輛或一輛車的人更可能會購買自行車。
雙擊自行車購買者（標示為 1）欄中的擁有車輛數量儲存格。

[ 採礦圖例 ] 會顯示更詳細的檢視。

使用 [ 屬性特性 ] 索引標籤，您可以選取屬性和值，以查看其他屬性的值出現在選取的值案例中的頻率。

使用 [ 屬性辨識 ] 索引標籤，您可以調查自行車購買的兩個離散值與其他屬性值之間的關係。 TM_NaiveBayes由於模型只有兩個狀態 1 和 0，因此您不需要對查看器進行任何變更。

在觀眾中，您可以看到不擁有汽車的人傾向於購買自行車，而擁有兩輛車的人往往不買自行車。

請參閱下列主題以探索其他採礦模型。