朴素贝叶斯模型，朴素贝叶斯模型可以从哪些方面进行改进

1、朴素贝叶斯的应用不止于此朴素贝叶斯模型，朴素贝叶斯模型我们再例举一个更复杂，但现实场景也更实际的案例假设你为了肃清电商平台上的恶性商户刷单非法交易恶性竞争等，委托算法团队开发了一个识别商家是否是恶性商户的模型M1为什么要开发模型呢；总结理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率但是实际上并非总是如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时；朴素贝叶斯模型由两种类型的概率组成 1每个类别的概率PCj 2每个属性的条件概率PAiCj 比如cj就表示男女，比如c0=男，c1=女，而Ai就表示影响预测为男女的因素身高 体重鞋码，比如。

2、当然，朴素贝叶斯也是有缺陷的比如我们知道朴素贝叶斯的局限性来源于其条件独立假设，它将文本看成是词袋子模型，不考虑词语之间的顺序信息，例如朴素贝叶斯会把“武松打死了老虎”与“老虎打死了武松”认作是一个意思那么有没有一种方法；它的主要缺点是它不能学习特征间的相互作用，用mRMR中R来讲，就是特征冗余那么朴素贝叶斯算法的优点是什么呢这种算法的优点有五个，第一就是朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。

3、此为后验概率有了先验概率和后验证概率理解，结合贝叶斯定量即可计算出概率信息值接着，朴素贝叶斯是基于贝叶斯定量，并且加上条件特征之间独立的一种模型此处特征属性之间独立是指比如有100个数据，第1行数据与第；高斯朴素贝叶斯模型是假设条件概率PX=xY=c_k是多元高斯分布，另一方面，由之前的特征的条件独立性假设，我们就可以通过对每个特征的条件概率建模， 每个特征的条件概率 也服从高斯分布 在 类下第i个词对应的高斯分布为 其中， 。

4、1朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率2对小规模的数据表现很好，能个处理多分类任务，适合增量式训练，尤其是数据量超出内存时，我们可以一批批的去增量训练3对缺失数据不太敏感，算法也比较；优点如下1朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率2对大数量训练和查询时具有较高的速度即使使用超大规模的训练集，针对每个项目通常也只会有相对较少的特征数，并且对项目的训练。