LR和贝叶斯的关系

最新推荐文章于 2024-06-09 11:47:12 发布

简单点1024

最新推荐文章于 2024-06-09 11:47:12 发布

阅读量1.2k

点赞数

分类专栏： ML

本文链接：https://blog.csdn.net/zhangbaoanhadoop/article/details/79560636

版权

本文对比了LR（逻辑回归）和贝叶斯分类器（Naive Bayes）的异同。LR作为判别模型，不依赖条件独立假设，适合大数据集；而贝叶斯分类器是生成模型，依赖条件独立，适用于小数据集。两者都在特征线性和条件概率建模上有应用，但在相关特征处理和数据需求量上存在差异。

摘要由CSDN通过智能技术生成

总结起来，有以下几点不同：

(1) Naive Bayes是一个生成模型，在计算P(y|x)之前，先要从训练数据中计算P(x|y)和P(y)的概率，从而利用贝叶斯公式计算P(y|x)。

Logistic Regression是一个判别模型，它通过在训练数据集上最大化判别函数P(y|x)学习得到，不需要知道P(x|y)和P(y)。

(2) Naive Bayes是建立在条件独立假设基础之上的，设特征X含有n个特征属性（X1，X2，...Xn），那么在给定Y的情况下，X1，X2，...Xn是条件独立的。

Logistic Regression的限制则要宽松很多，如果数据满徐条件独立假设，Logistic Regression能够取得非常好的效果；当数据不满度条件独立假设时，Logistic Regression仍然能够通过调整参数让模型最大化的符合数据的分布，从而训练得到在现有数据集下的一个最优模型。

(3) 当数据集比较小的时候，应该选用Naive Bayes，为了能够取得很好的效果，数据的需求量为O(log n)

当数据集比较大的时候，应该选用Logistic Regression，为了能够取得很好的效果，数据的需求量为O( n)

Naive Bayes运用了比较严格