数学建模 | 关于Naive Bayes回归你必须知道的20个知识点

1. Naive Bayes回归属于哪一类机器学习算法? 
Naive Bayes回归属于基于概率的学习算法。

2. Naive Bayes回归适用于哪种问题? 
Naive Bayes回归适用于回归预测问题。

3. Naive Bayes回归的主要思想是什么? 
运用贝叶斯定理和特征条件独立性假设进行回归预测。

4. Naive Bayes回归需要哪些信息? 
训练数据集及各特征的先验概率与条件概率。

5. Naive Bayes回归如何计算预测值? 
基于贝叶斯定理计算各特征值发生的后验概率,并结合先验概率得出预测值。

6. Naive Bayes回归是否需要训练过程? 
是的,Naive Bayes回归需要训练过程以学习先验概率和条件概率。

7. Naive Bayes回归的特征条件独立性假设是否合理? 
不一定,特征之间通常存在一定的相关性,该假设会带来一定的偏差。

8. Naive Bayes回归的预测结果是否唯一? 
不是,基于概率的学习结果一般不是唯一的预测结果。

9. Naive Bayes回归是否具有泛化能力? 
Naive Bayes回归泛化能力较差,容易产生过拟合。  

10. 改进Naive Bayes回归的方法有哪些? 
引入关联规则、使用正则化和特征选择方法可以改进Naive Bayes回归。

11. Naive Bayes回归的优点有哪些? 
简单、易于实现、 computationally efficient等。

12. Naive Bayes回归的缺点有哪些? 
特征条件独立性假设不合理、泛化能力较差、对缺失值敏感等。

13. Naive Bayes回归适用于哪些数据集? 
特征数量较多但样本规模较小的数据集。

14. Naive Bayes回归不适用于哪些情况? 
特征之间高度相关的数据集、样本规模较大的数据集。

15. Naive Bayes回归如何处理连续数值特征? 
需要对连续数值特征进行离散化,分割成多个区间。

16. Naive Bayes回归如何评估预测结果? 
可以使用RMSE、MAE、R2等指标评估预测效果。

17. Naive Bayes回归的参数主要有哪些? 
主要参数是不同特征的先验概率与条件概率。

18. 提高Naive Bayes回归泛化能力的主要方法是什么? 
主要方法是正则化和特征选择。

19. Naive Bayes回归是否适合作为ensemble的基分类器?
是的,Naive Bayes回归泛化能力较差,但与其他模型ensemble可以取得比较好的效果。

20. 在实际问题中,Naive Bayes回归的应用示例有哪些?
文档分类、病毒检测、推荐系统等。