貝葉斯網(wǎng)絡是有向無環(huán)圖
image.png
樸素貝葉斯的優(yōu)點與缺點：
優(yōu)點：
- 容易快速建模窑多，在多分類問題中表現(xiàn)優(yōu)良碎赢；
- 當特征獨立時诵次，樸素貝葉斯分類效果好于邏輯回歸等其他分類器秒裕，且需要的數(shù)據(jù)量更少袱蚓；
- 相對連續(xù)性的數(shù)據(jù)，它在離散性的數(shù)據(jù)表現(xiàn)更好几蜻；當數(shù)據(jù)是連續(xù)時喇潘，數(shù)據(jù)的假設前提是正態(tài)分布；
缺點: - 如果離散型的數(shù)據(jù)在測試集中未出現(xiàn)梭稚，模型會無法給出預測（0頻率）颖低。需要使用平滑方法解決，常用的方法為拉普拉斯平滑弧烤；
- 另一方面樸素貝葉斯的預測概率并未能真實反映真正的概率忱屑，并不能太當真；
- 另一個限制是樸素貝葉斯是假設特征獨立的扼褪。在顯示生活中想幻，這幾乎是不可能的粱栖；
以下是提高樸素貝葉斯模型的方法:
- 如果連續(xù)型的數(shù)據(jù)特征不是正態(tài)分布话浇，需要先把其轉(zhuǎn)換為正態(tài)分布；
- 如果數(shù)據(jù)出現(xiàn)0概率的闹究，使用拉普拉斯平滑修正幔崖；
- 去除相關(guān)性的特征，特別是高度相關(guān)的特征渣淤，因為這些會導致模型過于強調(diào)該類特征的重要性赏寇；
- 樸素貝葉斯分類只有很少的超參數(shù)。
alpha=1用于平滑,fit_prior=[True|False]是否使用先驗概率价认。priors先驗概率值嗅定。應把重點放在數(shù)據(jù)清洗和特征選擇； - ensembling, bagging和boosting等減少方差的提升方法對樸素貝葉斯沒有作用用踩。因為樸素貝葉斯沒有方差可以減少渠退；
原文：https://www.analyticsvidhya.com/blog/2017/09/naive-bayes-explained/
