完整定義
樸素貝氏分類器是一種基於貝氏定理的機率分類器。它的「樸素」之處在於它假設所有特徵之間相互獨立,這在現實世界中通常是不成立的。儘管如此,樸素貝氏分類器在許多實際應用中仍然表現良好,尤其是在文本分類等高維度資料集上。由於其簡單性和效率,樸素貝氏分類器是一種常用的基線模型。
白話說明
你有沒有想過,很多分類問題其實可以先用很簡單的機率想法快速判斷?
你可以把它想成把每個線索都先單獨看,再把這些線索的機率乘起來,快速猜是哪一類。
它的「樸素」在於假設特徵彼此獨立,雖然不完美,但在很多文字分類任務裡很管用。
記住這句
特徵先假設獨立,再用機率選類別。
比喻:樸素貝氏就像一個有點「天真」的偵探 -- 它會根據每個獨立線索(特徵)分別判斷嫌疑犯的可能性,然後把這些可能性簡單地乘起來,雖然沒考慮線索間的複雜關聯,但通常也能猜個八九不離十。
容易混淆
樸素貝氏 vs 貝氏定理
樸素貝氏:是拿來做分類的模型
貝氏定理:是機率更新的數學公式
樸素貝氏 vs 邏輯迴歸
樸素貝氏:偏生成式、靠條件獨立
邏輯迴歸:偏判別式、直接學邊界
實際案例
垃圾郵件
看到「免費」「抽獎」「立即點擊」這些詞,系統用機率快速判斷像不像垃圾信。
情緒分類
把一句話裡的正負面詞分開看,再估計整句比較像正面還是負面。
演算法與應用
樸素貝氏本質上是在比較各類別的後驗機率。
雖然獨立假設常常不是真的,但它讓計算很省,表現也常出乎意料地穩。
在高維稀疏文字特徵上,它常比想像中更有競爭力。
情境判斷
Q1(直覺題):你要做一個超快的垃圾郵件分類器,詞袋特徵很多,最像哪種模型?
樸素貝氏,因為它計算快而且很適合文字分類。
Q2(判斷題):如果兩個特徵其實高度相關,但你還硬把它們當獨立,會怎樣?
機率可能被重複計算,分類分數會失真。
常見問題
因為它對特徵獨立做了很強的簡化假設。
不一定,資料少或特徵稀疏時,它常很有競爭力。
可以,常見作法是把連續值建成高斯版本。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把樸素貝氏列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本