樸素貝葉斯分類器中的「樸素」是什麼？

Question

樸素貝葉斯天真的是什麼？

Answer 1

實際上，有一個很好的例子on Wikipedia：

在簡單術語中，樸素貝葉斯分類器假定一個類的特定特徵的存在（或不存在）是無關的存在（或不存在）給定類變量的任何其他功能。例如，如果水果是紅色，圓形，直徑約4英寸，則認爲它是蘋果，即使這些特徵相互依賴或存在其他特徵，但樸素貝葉斯分類器會將所有如果你的數據是這些屬性的獨立貢獻，這水果是蘋果的概率。

基本上，它是「幼稚」，因爲它的前提，可能會或可能不會變成是正確的。

Answer 2

由一個特徵向量X = {x1，x2，... x10}和你的類標籤Y = {y1，y2，... y5}組成。因此，貝葉斯分類器可以識別正確的類標籤，公式：

P（y/X）= P（X/y）* P（y）= P（x1，x2，... x10/y）* P（y）

因此，不天真。然而，很難計算P（x1，x2，... x10/Y），所以我們假設這些特徵是獨立的，這就是我們所說的樸素假設，因此，我們最終得到下面的公式

P（Y/X）= P（X/Y）* P（X2/Y）* ... P（X10/Y）* P（Y）

Answer 3

這就是所謂的幼稚，因爲它使假設所有屬性都是相互獨立的。這個假設就是爲什麼它被稱爲天真的，因爲在很多現實世界中，這是不合適的。儘管如此，分類器在很多真實世界的情況下工作得非常好，並且在某些情況下（儘管不是全部），其性能與中性網絡和SVM相當。

Answer 4

對於發現聯合分佈時的分類問題，它只是反映了訓練數據，而且計算起來也很困難。所以我們需要一些更有用的概括。

幼稚模型強烈推論，每個屬性獨立於任何其他屬性分佈。

它確實有助於在很大程度上不關心屬性間的依賴關係。