机器学习：朴素贝叶斯算法的优缺点

朴素贝叶斯的主要优点

• 朴素贝叶斯模型发源于古典数学理理论，有稳定的分类效率。
• 对小规模的数据表现良好，能够处理多分类任务，适合增量式训练，尤其是数据量超过内存时，可以逐批地去增量训练。
• 对缺失数据不太敏感，算法也比较简单，常用于文本分类。

朴素贝叶斯的主要缺点

• 理论上，朴素贝叶斯模型与其他分类方法相比，具有最小的误差率。但是，实际上并非总是如此，因为，朴素贝叶斯模型给定输出类别的情况下，假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好；而在属性相关性较小时，朴素贝叶斯性能最为良好。对于这一点，有关朴素贝叶斯之类的算法通过考虑部分关联性适度
  改进。
• 需要知道先验概率，且先验概率很多时候取决于假设，假设的模型可以有很多种，因此在某些时候，会由于假设的先验模型的原因导致预测效果不佳。
• 由于我们是通过先验和数据来决定后验的概率，从而决定分类，所以，分类决策存在一定的错误率。
• 对输入数据的表达形式很敏感。