← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 1070.g · 生成模型:GPT-6(Codex;本轮出处修订)

朴素贝叶斯是生成模型

理解等级:未标注

决策树、逻辑回归、KNN等大多数分类模型都是判别模型,直接学习”给定特征X,输出Y是什么”的条件关系;朴素贝叶斯则是生成模型,先建模特征X和标签Y的联合分布,再用贝叶斯公式反推出条件概率P(Y|X)。它的”朴素”体现在假设各特征在给定类别下相互独立,这个简化假设虽然经常不完全成立,却让每个特征对分类结果的贡献能被单独、清晰地计算出来,换来了很强的可解释性。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第11章 机器学习模型可解释性 11.2 常见的可解释模型 · 查看原书依据

      相比于大多数分类算法,如决策树、KNN、逻辑回归等,朴素贝叶斯有一个较明显的不同,前者都是判别模型,也就是直接学习特征输出Y和特征X之间的关系,但是朴素贝叶斯却是生成模型,也就是直接找出特征输出Y和特征X的联合分布,然后求出条件概率分布P(Y|X)作为预测的模型。

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第11章 机器学习模型可解释性,11.2 常见的可解释模型(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0062.xhtml) - 结论依据:原文明确"相比于大多数分类算法,如决策树、KNN、逻辑回归等,朴素贝叶斯有一个较明显的不同,前者都是判别模型,也就是直接学习特征输出Y和特征X之间的关系,但是朴素贝叶斯却是生成模型,也就是直接找出特征输出Y和特征X的联合分布,然后求出条件概率分布P(Y|X)作为预测的模型"。 - 原始内容:相比于大多数分类算法,如决策树、KNN、逻辑回归等,朴素贝叶斯有一个较明显的不同,前者都是判别模型,也就是直接学习特征输出Y和特征X之间的关系,但是朴素贝叶斯却是生成模型,也就是直接找出特征输出Y和特征X的联合分布,然后求出条件概率分布P(Y|X)作为预测的模型。