나이브 베이즈 분류기 계산기
클래스별 사전확률과 특징별 우도를 넣으면 특징들이 독립이라 가정하고 사후확률을 곱으로 계산해 어느 클래스로 분류되는지 보여줍니다. 스팸 필터가 대표적인 예입니다.
클래스 B(예: 정상)의 사전확률은 자동으로 남은 값입니다.
분류 결과 — 클래스 A
P(A) = 91.57%
P(B) = 8.43%
특징별 우도
계산 방법
- 1두 클래스 중 클래스 A의 사전확률을 정합니다(클래스 B는 자동으로 1−A입니다).
- 2특징마다 이름과, 클래스 A·B 각각에서 그 특징이 나타날 확률을 넣습니다.
- 3분류하려는 사례에 각 특징이 실제로 있는지(참·거짓)를 고릅니다.
- 4클래스별 점수와 정규화된 사후확률, 최종 분류 결과를 확인합니다.
자주 묻는 질문
베이즈 정리를 여러 특징에 확장한 분류 알고리즘입니다. 특징들이 클래스가 주어졌을 때 서로 독립이라고(순진하게) 가정해, 여러 특징의 우도를 그냥 곱해서 사후확률을 구합니다. 메일에 특정 단어들이 있는지로 스팸 여부를 가르는 스팸 필터가 대표적인 예입니다.
실제로는 특징들이 서로 얽혀 있을 때가 많습니다("무료"와 "당첨"이 같이 나오는 경향처럼). 그런데도 이 알고리즘은 클래스가 주어지면 특징들이 서로 독립이라고 가정해 계산을 단순화합니다. 그 가정이 틀려도 분류 성능은 곧잘 좋다고 알려져 있습니다.
베이즈 정리는 사건 하나에 대한 단일 계산입니다. 나이브 베이즈는 여러 특징의 우도를 곱해 확장한 것으로, 특징이 하나뿐이면 두 계산 결과가 정확히 같습니다.
네. 특징이 있으면 P(특징 있음|클래스)를, 없으면 그 여사건인 1−P(특징 있음|클래스)를 곱합니다. "무료"라는 단어가 없다는 사실도 정상 메일 쪽으로 기우는 근거가 되기 때문입니다.
클래스별 점수(사전확률×우도의 곱)를 구한 뒤 두 점수의 합으로 나눠 정규화하기 때문입니다. 베이즈 정리의 분모 P(특징들)을 직접 구하는 대신, 두 클래스의 점수 비율로 같은 값을 우회해서 구하는 것입니다.
알아두면 좋은 점
- 이 계산기는 두 클래스, 특징이 있다·없다의 이진 값만 다룹니다(베르누이 나이브 베이즈). 실제로는 클래스나 특징 값이 더 많은 경우도 흔합니다.
- 두 클래스의 점수가 모두 0이 되면(입력한 확률 조합이 모순이면) 분류할 수 없습니다.
- 특징들이 실제로는 독립이 아닐 수 있어, 사후확률의 절대값보다는 어느 클래스의 점수가 더 큰지(분류 결과)를 신뢰하는 것이 안전합니다.
함께 보면 좋은 도구
마지막 검증: 2026년 9월 3일 · 결과는 참고용 추정치입니다.