朴素贝叶斯分类器中的“朴素”是什么？

Question

朴素贝叶斯天真的是什么？

Answer 1

实际上，有一个很好的例子on Wikipedia：

在简单术语中，朴素贝叶斯分类器假定一个类的特定特征的存在（或不存在）是无关的存在（或不存在）给定类变量的任何其他功能。例如，如果水果是红色，圆形，直径约4英寸，则认为它是苹果，即使这些特征相互依赖或存在其他特征，但朴素贝叶斯分类器会将所有如果你的数据是这些属性的独立贡献，这水果是苹果的概率。

基本上，它是“幼稚”，因为它的前提，可能会或可能不会变成是正确的。

Answer 2

由一个特征向量X = {x1，x2，... x10}和你的类标签Y = {y1，y2，... y5}组成。因此，贝叶斯分类器可以识别正确的类标签，公式：

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

因此，不天真。然而，很难计算P（x1，x2，... x10/Y），所以我们假设这些特征是独立的，这就是我们所说的朴素假设，因此，我们最终得到下面的公式

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

Answer 3

这就是所谓的幼稚，因为它使假设所有属性都是相互独立的。这个假设就是为什么它被称为天真的，因为在很多现实世界中，这是不合适的。尽管如此，分类器在很多真实世界的情况下工作得非常好，并且在某些情况下（尽管不是全部），其性能与中性网络和SVM相当。

Answer 4

对于发现联合分布时的分类问题，它只是反映了训练数据，而且计算起来也很困难。所以我们需要一些更有用的概括。

幼稚模型强烈推论，每个属性独立于任何其他属性分布。

它确实有助于在很大程度上不关心属性间的依赖关系。