推文

@Zen_with_AI · 2026-10-15 23:48

小路分享 ： ML面试问题 10/15 Q：朴素贝叶斯的"朴素"是什么意思？它怎么算分类？ A： 贝叶斯定理 Bayes' theorem 先算"这个类别先有多常见"（先验），再乘以"在这个类别里，看到这些特征的概率"（似然），最后除以一个所有类别都一样的数。比大小时分母相同，直接比分子就行。比如判断垃圾邮件：先看垃圾邮件占多少，再看垃圾邮件里出现"免费""中奖"这些词的概率。 条件独立假设 conditional independence "朴素"就朴素在这儿：它假设给定类别后，各个特征互相独立。于是联合概率直接拆成连乘，每个特征单独算概率再乘起来。现实中词和词之间当然有关联，但这个偷懒的假设让计算变得极其简单，效果还常常够用。 拉普拉斯平滑 Laplace smoothing 如果某个特征值在训练集里从没在某个类别下出现过，直接连乘会把整个概率乘成零，一票否决。拉普拉斯平滑就是给每个计数都加 1，相当于说"没见过不代表不可能"，保住一条活路。 （一句话记住：先验乘似然，特征各自算，没见过就加一） 追问加分：独立假设明显是错的，为什么朴素贝叶斯在文本分类上效果还不错？方向：分类只看哪个类别概率最大，概率估计有点偏差没关系，只要相对大小排对就行。 更深度问题：朴素贝叶斯和逻辑回归都是分类器，一个是生成式、一个是判别式，这两种思路本质上有什么区别？

曝光 275 · 评论 1 · 点赞 1 · 书签 2