Naive Bayes v / s Logistic回归？哪个更受“条件独立”假设的约束？

Question

根据我的理解， Logistic回归是 Naive Bayes 的扩展。 假设，

X = (X_1, X_2........X_N); Y = {0, 1}, each X_i is i.i.d and 
the P(X_i|Y=y_k) is a Gaussian Distribution.

因此，为了创建线性决策曲面，我们假设每个pdf P(X_i|y_k)具有方差（sigma），而不依赖于Y的值{{1 }}
sigma_(i,k) = sigma_i。

最后，我们最终学习了以下方程式中代表线性决策曲面的系数（(i --> X_i, k --> y_k)）：

w_0, w_i

即使线性回归系数（P(Y=0|X)/P(Y=1|X) = w_0 + sum_i(w_i*X_i) (Linear Decision Surface) ）的推导涉及条件无关w_0, w_i的假设，

1. 为什么说从训练数据中学习这些系数从条件indep 稍微更自由。假设与学习常规贝叶斯分布系数（X_i given Y）？
相比较

我在关注this course here时遇到了这个问题。

任何澄清/建议都会非常有帮助。 感谢