본 포스팅은 Fastcampus 강의를 수강하며 일부 내용을 정리한 글임을 밝힙니다. 보다 자세한 내용은 아래 강의를 통해 확인해주세요.
참고 : Fastcampus 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online

---

Ch 04. Contents-based Recommender System

---

베이즈 정리(Bayes' Theorem)

1. 공식

• $P(A|B) = \frac{P(B|A)P(A)}{P(B)}$
• $P(A)$:사전확률(prior), $P(A|B)$:사후확률)(posterior)(구하고자 하는 것)

2. 사전확률

• 현재 정보를 바탕으로 정한 확률

3. 사후확률:

• 사건 B가 사건 A로부터 발생했다는 가정하에 사건 A의 확률 업데이트
• 베이즈 정리를 통해 사후확률 계산

나이브베이즈 분류기(Naive Bayes Classifier)

1. 베이즈 정리에 의한 통계기반 분류 알고리즘

2. 특징

• 아이템의 특징(feature, attribute 등)끼리 서로 독립
  • 영화 장르와 영화 감독이 서로 연관이 없는 특징이어야 함!
• 데이터 셋이 커도 모델 예측에 관계 없다
• 연속 변수보다 이산 변수에 더 잘 맞음(서로 독립인 것과 일맥상통한 부분)
• 간단하고 계산량 적은 모델
• 데이터 차원 높아질수록 모든 class에 대해 확률이 0으로 수렴
  ➡️ 이를 방지하기 위해 Laplace Smoothing 활용(+1 등 숫자를 더해서 0이 되는 것을 방지)