【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。