朴素贝叶斯模型

Question

当我们使用决策树分类器训练训练集时，我们将得到一个树模型。并且该模型可以被转换为规则，并且可以被合并到java代码中。现在，如果我使用朴素贝叶斯训练训练集，模型是什么形式的？我怎样才能把模型合并到我的java代码中呢？如果训练没有模型，那么朴素贝叶斯和懒惰学习者之间的区别是什么？kNN)？

提前谢谢。

Answer 1

朴素贝叶斯构造了条件概率P(f_1,...,f_n|C_j)的估计，其中f_i是特征，C_j是类，使用贝叶斯规则和先验和证据的估计(P(C_j))和证据(P(f_i))可以被翻译成x=P(C_j|f_1,...,f_n)，它可以粗略地读作“给定的特征和我认为，他们描述的类的对象是C_j，我的确定性是x”。事实上，NB假设festures是独立的，所以它实际上使用了x=P(f_i|C_j)形式的简单概率，所以“给定f_i，我认为它是概率为x的C_j”。

因此，模型的形式是一组概率：

每个要素类的条件概率P(f_i|C_j)和每个类的条件概率f_i P(C_j)每个类

另一方面，KNN是完全不同的东西。它实际上不是严格意义上的“学习模型”，因为您不需要调整任何参数。它是一种分类算法，给定训练集和个数，简单地回答“对于给定的点x，训练集中最近点的主要类是什么？”。

主要的区别在于输入数据--朴素贝叶斯适用于“观察值”的对象，因此你只需要分类对象中存在或不存在的一些特征。无论是颜色、照片上的对象、句子中的单词还是高度复杂的拓扑对象中的抽象概念，都无关紧要。而KNN是一种基于距离的分类器，它要求您对对象进行分类，您可以测量对象之间的距离。因此，为了对抽象对象进行分类，你必须首先提出一些度量标准，距离度量，它描述了它们的相似性，结果将高度依赖于这些定义。另一方面，朴素贝叶斯是一个简单的概率模型，它根本不使用距离的概念。它以相同的方式对待所有对象-它们存在或不存在，故事结束(当然，它可以推广到具有给定密度函数的连续变量，但这不是这里的重点)。

Answer 2

朴素贝叶斯将构建/估计生成训练样本的概率分布。

现在，给定所有输出类的概率分布，您将获取一个测试样本，并根据哪个类生成此样本的概率最高，将测试样本分配给该类。

简而言之，您获取测试样本并运行它通过所有概率分布(每个类一个)，并计算为该特定分布生成此测试样本的概率。