Classificador Naive Bayes Multinomial
| dc.contributor.advisor1 | SOTIL, José Walter Cárdenas | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6835343931600377 | |
| dc.contributor.advisor1orcid | https://orcid.org/0000-0002-6629-8343 | |
| dc.creator | CORRÊA, Alex Barbosa | |
| dc.creator | CUNHA, Joseph Silva da | |
| dc.creator | TRINDADE, Kássio Andrey Guimarães | |
| dc.creator.Lattes | http://lattes.cnpq.br/8165237226869605 | |
| dc.creator.Lattes | http://lattes.cnpq.br/4357050855738712 | |
| dc.date.accessioned | 2026-08-17T19:34:42Z | |
| dc.date.issued | 2023-02-02 | |
| dc.description.abstract | In this work, we present the theoretical basis of the Multinomial Naive Bayes machine learning classifier. Machine learning libraries such as Python’s sklearn were not used in the development of the algorithms of the Naive Bayes classifier, these algorithms were implemented using probabilistic arguments, the Bayes rule, and the hypothesis of independence between the variables. This allows Naive Bayes classifier implementation in any programming language. To test the classifier, we used data with fake and real news about COVID-19 in Brazil, compiled from posts on social networks, and the algorithms were implemented in Python and JavaScript programming languages. To verify the efficiency of the classifier, 100 simulations were performed to detect fake news, the results in both programming languages shows an accuracy level around 85%, precision of 91%, sensitivity of 80%, and F1-score of 85%. | |
| dc.description.resumo | Neste trabalho apresentamos a base teórica do classificador de aprendizado de máquina Naive Bayes Multinomial. Não foram usadas no desenvolvimento dos algoritmos do classificador Naive Bayes bibliotecas de aprendizado de máquina como o sklearn do Python, estes algoritmos foram implementados usando argumentos probabilísticos, a regra de Bayes e a hipótese de independência entre as variáveis. Isto permite implementar o classificador de Naive Bayes em qualquer linguagem de programação. Para testar o classificador usamos dados com notícias falsas e reais sobre a COVID-19 no Brasil, recopilados de postagens em redes sociais e os algoritmos foram implementados nas linguagens de programação Python e Javascript. Para testar a eficiência do classificador foram realizadas 100 simulações para detectar as notícias falsas, os resultados em ambas as linguagens de programação mostram uma acurácia em torno de 85%, precisão de 91%, sensibilidade de 80% e F1-score de 85%. | |
| dc.identifier.citation | CORRÊA, Alex Barbosa; CUNHA, Joseph Silva da; TRINDADE, Kássio Andrey Guimarães. Classificador Naive Bayes Multinomial. Orientador: José Walter Cárdenas Sotil. 2023. 57 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Departamento de Ciências Exatas e Tecnológicas, Universidade Federal do Amapá, Macapá, 2023. Disponível em: https://repositorio.unifap.br/handle/123456789/2228. Acesso em: | |
| dc.identifier.uri | https://repositorio.unifap.br/handle/123456789/2228 | |
| dc.publisher | UNIFAP - Universidade Federal do Amapá | |
| dc.publisher.country | Brasil | |
| dc.rights | Acesso Aberto | |
| dc.source | Via SIPAC | |
| dc.subject | Aprendizado de Máquina | |
| dc.subject | Naive Bayes | |
| dc.subject | Notícias Falsas | |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | |
| dc.subject.ods | ODS 9 – Indústria, inovação e infraestrutura | |
| dc.subject.ods | ODS 16 – Paz, justiça e instituições eficazes | |
| dc.subject.ods | ODS 4 – Educação de qualidade | |
| dc.title | Classificador Naive Bayes Multinomial | |
| dc.type | Trabalho de Conclusão de Curso - Graduação |