【深度学习基础知识 - 47】贝叶斯网络与朴素贝叶斯

朴素贝叶斯要求特征彼此独立，且对被解释的变量影响一致、不能进行变量筛选，即特征之间不能存在依赖关系，且不能给每个特征加权重，通常这种条件是难以满足的。为了解决这个问题，就出现了贝叶斯网络。下表展示了两者之间的对比。

对比维度	贝叶斯网络	朴素贝叶斯
假设前提	1.各变量都是离散型的 2.各特征间有依赖关系 3.没一个节点在其前驱节点的值制定后，这个节点条件独立于其所有非直接前驱结点 4.贝叶斯网络放宽了每个独立变量的假设	1.各特征之间彼此独立 2.对于若干条件概率值不存在的问题，一般通过将所有的概率值加1来解决 3.对被解释的变量影响一致，不能进行变量筛选
应用案例	1.在信息不完备的情况下通过观察随机变量推断不可观察的随机变量 2.解决文本分类中相邻词的关系、近义词的关系	分类
优点	1.贝叶斯原理和图论相结合，能建立一种基于概率推理的可解释的数学模型，对于解决复杂的不确定性和关联性问题有很强的优势 2.对缺失数据不敏感 3.可以学习因果关系，加深对数据的理解 4.能将先验知识融入建模 5.一定程度上避免了过拟合问题	思想简单直观，对于给出的待分类箱，会选择条件概率最大的类别
缺点	彼此之间不独立的特征会加大模型复杂性。	不能进行变量筛选。

博主会持续更新一些深度学习相关的基础知识以及工作中遇到的问题和感悟，喜欢请关注、点赞、收藏。