Наивный байесовский классификатор

---

Наи́вный ба́йесовский классифика́тор — простой вероятностный классификатор, основанный на применении теоремы Байеса со строгими (наивными) предположениями о независимости.

В зависимости от точной природы вероятностной модели, наивные байесовские классификаторы могут обучаться очень эффективно. Во многих практических приложениях для оценки параметров для наивных байесовых моделей используют метод максимального правдоподобия; другими словами, можно работать с наивной байесовской моделью, не веря в байесовскую вероятность и не используя байесовские методы.

Несмотря на наивный вид и, несомненно, очень упрощенные условия, наивные байесовские классификаторы часто работают намного лучше нейронных сетей во многих сложных жизненных ситуациях.

Достоинством наивного байесовского классификатора является малое количество данных, необходимых для обучения, оценки параметров и классификации.

над зависимой переменной класса ${\displaystyle C}$ с малым количеством результатов или классов, зависимая от нескольких переменных ${\displaystyle F_{1},\ldots ,F_{n}}$. Проблема заключается в том, что когда количество свойств ${\displaystyle n}$ очень велико или когда свойство может принимать большое количество значений, тогда строить такую модель на вероятностных таблицах становится невозможно. Поэтому мы переформулируем модель, чтобы сделать её легко поддающейся обработке.

На практике интересен лишь числитель этой дроби, так как знаменатель не зависит от ${\displaystyle C}$ и значения свойств ${\displaystyle F_{i}}$ даны, так что знаменатель — константа.

---