＆＃34; Naive＆＃34;贝叶斯意味着机器学习？
答案 0 :(得分：1)
机器学习中的朴素贝叶斯通常是指应用贝叶斯定理的一组监督学习算法。它本质上是一个“分类器”，可以帮助您根据一系列独立的“天真”假设对事物进行分类。例如，如果您想使用机器学习来帮助您识别潜在的水果......采取香蕉，其弯曲，黄色，可能是10英寸长。这些属性中的每一个，“弯曲的”，“黄色的”，“10英寸长”都是独立的属性，它们组合在一起形成水果是香蕉的“概率”。有了这个“天真的”贝叶斯分类器，将来如果有其他种类的“水果”或不同的图像，具有相似属性的水果描述，使用机器学习，你的幼稚贝叶斯分类器可以将那些未来的水果或未知的东西归类为香蕉正确...（或不正确）你可能想要识别更多'天真'的功能，以使你的分类器更准确，例如，可能有一个“黑色尖端”或“有轻微的绿色”。 / p>
答案 1 :(得分：1)
它被称为天真，因为模型假定特征之间的独立性。这是一个强烈的假设，通常是不正确的，这就是名称的原因。
尽管如此，天真的贝叶斯非常有效，并且在实践中以提供良好的结果着称。
答案 2 :(得分：0)
朴素贝叶斯分类器是一种使用贝叶斯定理对对象进行分类的算法。朴素贝叶斯分类器假定数据点属性之间的强性或幼稚性。朴素贝叶斯分类器的流行用途包括垃圾邮件过滤器，文本分析和医学诊断。
朴素的贝叶斯分类器之所以如此朴素，是因为它假设所考虑的数据点的所有属性都相互独立。将水果分类为苹果和橙子的分类器会知道苹果是红色，圆形且具有一定大小，但是不会一次假设所有这些东西。毕竟橙子也是圆的。
朴素的贝叶斯分类器不是单个算法，而是一系列利用统计独立性的机器学习算法。与更复杂的贝叶斯算法相比，这些算法相对易于编写且运行效率更高。
最受欢迎的应用程序是垃圾邮件过滤器。垃圾邮件过滤器会查看电子邮件中的某些关键字，如果匹配则将其放入垃圾邮件文件夹中。
尽管名称很大，但获取的数据越多，朴素的贝叶斯分类器就越准确，例如，用户在收件箱中将电子邮件标记为垃圾邮件。