HCS Übung 3: Computer Vision

Präsentation zum Thema: "HCS Übung 3: Computer Vision"—  Präsentation transkript:

1 HCS Übung 3: Computer Vision
By: Patrick Denk Oleg Arenz Theo Kischka Jan-Michael Heller test1234 1 1

2 Bayes Decision Theorie Gesichtserkennung Spam-Mail erkennung
Übersicht: Bayes Decision Theorie Gesichtserkennung Spam-Mail erkennung test1234 2

3 Spam-Mail Erkennung Möglichkeiten eine Spam E-Mail zu erkennen:
Mail beinhaltet bestimmte Schlagwörter Mail wird an viele Benutzer geschickt Mail kommt von einem bestimmten Absender (IP Adresse) Mail enthält Viren im Anhang test1234 3

4 Spam-Mail Erkennung In unserem Beispiel verwenden wir die Kriterien 1 und 3: Mail beinhaltet bestimmte Schlagwörter Mail kommt von einem bestimmten Absender (IP Adresse) test1234 4

5 A Priori Wahrscheinlichkeiten
Wir nehmen an unser Algorithmus ist unvoreingenommen und behandelt alle ankommenden s gleich Wahrscheinlichkeit dass M eine Spam-Mail ist: P(SPAM) = 0.5 Wahrscheinlichkeit dass M keine Spam-Mail ist: P(NOSPAM) = 0.5 test1234 5

6 Likelihood Wahrscheinlichkeit dass es sich bei der von Absender A um Spam handelt: P(A,SPAM) = 0.7 Wahrscheinlichkeit dass es sich bei der von Absender A um kein Spam handelt: P(A,NOSPAM) = 0.3 test1234 6

7 Likelihood Wahrscheinlichkeit dass es sich bei mit Schlagwort B um Spam handelt: P(B,SPAM) = 0.7 Wahrscheinlichkeit dass es sich bei mit Schlagwort B um kein Spam handelt: P(B,NOSPAM) = 0.3 Kann so für jedes Wort fortgeführt werden. Die Wahrscheinlichkeiten lassen sich z.B. aus bereits erhaltenen und klassifizierten s berechnen. test1234 7

8 Naive Bayes klassifikator
Wir nehmen an, dass alle Merkmale statistisch unabhängig sind. Dadurch lässt sich der Naive Bayes klassifikator anwenden: Sowie den in unserem Fall günstigen 2 Klassenproblem klassifikator: test1234 8

9 Naive Bayes klassifikator
Welcher sich zum Likelihood Ratio Test vereinfachen lässt: In unserem Fall verwenden wir den Faktor Q, der uns eine Zahl angibt, an der man ablesen kann wie wahrscheinlich es sich um eine Spam handelt Q = Mit C1 = SPAM und C2 = NOSPAM sowie xi = A,B,… test1234 9

10 Naive Bayes klassifikator
Abschließend kann der Nutzer einen Schwellwert vorgeben ab dem Nachrichten als Spam behandelt werden: z.B.: ab eine Q Wert von > 5 wird die als Spam behandelt test1234 10