NB和LR的区别
http://www.quora.com/What-is-the-difference-between-logistic-regression-and-Naive-Bayes
www.cs.cmu.edu/~tom/mlbook/NBayesLogReg.pdf
作为生成模型NB从样本数据中模拟P(X|Y)和P(Y)，而作为判别模型的LR，直接对数据lable：Y的分布进行模拟
由NB的条件独立假设，就是对于数据X=(x1,x2,.......)，各个属性之间的条件概率分布式独立的，P(xi|Y)和P(xj|Y)不相关
这样可以大大减少参数的个数(如果相关的话，需要求解P(x1,x2,...|Y)等联合概率分布的参数)，对与离散的NB问题，可以用最大似然对参数进行估计，也可以进行适当的平滑；
对于连续变量的NB，如果再假设每个属性分布P(xi|Y)符合正太分布，就是高斯朴素贝叶斯分类器(GNB)。对于GNB，使用最大似然对均值和方差进行估计时，均值的期望与真实期望相同，但方差的期望存在偏差（N/(N-1) * 方差）；GNB可以通过形式变换，变换成LR的形式：
与LR有等价的形式：
而对于LR，是直接估计参数W，对分类结果直接判断，对于LR的求解可以使用梯度下降的方法，归一化的LR对应于最大化后验概率Maximum a Posterior
总结一下：
如果GNB假设成立，在渐进意义上，NB和LR会收敛成同一个分类器，否则，二者一般会训练处不同的分类器，这时，当数据量无限时，LR的结果往往比NB要好
LR不必假设数据的各个属性之间必须是相互独立的，对于不满足假设的数据，LR会在训练过程中对W参数自动调整
但是GNB与LR相比，GNB会快速的收敛，并且需要log n （n是数据维度）级别的样本数据。而LR需要n级别的数据，这时，对于小数据量下，GNB可能会比LR好一些！
7万+