在机器学习分类算法中，大多数的分类算法，比如决策树，KNN，SVM等，他们都是判别方法，也就是直接学习出特征输出Y和特征X之间的关系，要么是决策函数 Y=f(x) ,要么是条件分布 P(Y|X)。
但是朴素贝叶斯却是生成方法，也就是直接找出特征输出Y和特征X的联合分布P(Y,X)，然后用 P(Y|X)= P(Y, X) /P(X)得出。 朴素贝叶斯很直观，计算量也不大，在很多领域有广泛的应用。
相关统计学知识：
条件概率公式：
本文介绍了朴素贝叶斯分类算法，它是一种生成方法，基于贝叶斯定理和特征条件独立假设。通过学习训练数据的先验概率和条件概率，简化模型的计算。尽管条件独立假设可能导致预测不准确，但朴素贝叶斯模型在许多场景下仍表现良好，尤其在处理离散和连续属性时采用不同的参数估计策略。
最低0.47元/天 解锁文章
扫一扫
1266
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
