Q1：什么是朴素贝叶斯分类器？
-
朴素贝叶斯分类器是一组简单的概率分类器，基于贝叶斯定理和特征之间的独立性假设
-
贝叶斯理论如下式所示：
$$ P(A|B)=\frac{P(B|A)P(A)}{P(B)} $$ -
使用贝叶斯定理，可以推测在事件B发生的情况下，事件A发生的概率
Q2：朴素贝叶斯分类器的假设？
- 朴素贝叶斯分类器贝叶斯分类器假设特征之间相互独立，条件概率分布满足条件独立性
- 朴素贝叶斯模型假设特征之间相互独立，这个假设在实际应用中往往是不成立的，在特征个数比较多或者特征之间相关性较大时，分类效果不好
Q3：如何理解贝叶斯定理
- 贝叶斯定理用于确定条件概率，条件概率是指已知一些条件情况下，某事件发生的可能性
- 贝叶斯公式如下式，A和B为随机事件，
$P(A|B)$ 为已知B事件发生后，A事件发生的条件概率；贝叶斯公式由A、B事件的先验概率与似然性$P(B|A)$推断后验概率
Q4：如何根据训练集大小选择分类器？（system design）
- 对于小的训练集，具有高偏差和低方差模型的模型更好，因为它不太可能过拟合。如朴素贝叶斯。
- 对于大型训练集，具有低偏差和高方差模型的模型更好，因为它表示更复杂的关系。如逻辑回归。
Q5：如何使用朴素贝叶斯分类器来处理类别特征？如果某些特征是数值的呢？
- 对于类别特征，先将其处理为one-hot特征；若有N个类别，则为贝叶斯分类器匹配地创建N个特征，每个特征取值0或1；处理数值特征时，可以将数值离散化为几个类别，再使用one-hot向量处理
引用：https://stats.stackexchange.com/
Q6：生成式模型与判别式模型有什么区别？列出两种模型的一个例子
- 判别式分类器学习数据空间中的分界面，将不同类别的数据分隔开来；生成式分类器学习整个数据空间的生成；
- 数学上来看，判别式模型学习条件概率$P(Y|X)$，生成式模型学习联合概率$P(X,Y)$
- 判别模型有逻辑回归，SVM，CRF，MLP，决策树等，生成模型有朴素贝叶斯、HMM、GAN、LDA
引用：https://www.analyticsvidhya.com/
Q7：阐述朴素贝叶斯分类器的工作流程
- 朴素贝叶斯分类器的工作流程大概分为以下两步：1.通过统计数据集中事件发生的频率计算先验概率和似然函数 2.根据贝叶斯定理计算后验概率，具有最高后验概率的类是预测的结果。
Q8：朴素贝叶斯分类器的优点是什么？
- 预测既简单又快速，在多类预测中也表现良好
- 当独立性假设成立时，朴素贝叶斯分类器与逻辑回归等其他模型相比表现更好，并且需要的训练数据更少。
引用：https://www.analyticsvidhya.com/
Q9：朴素贝叶斯分类器的缺点是什么？
- 如果分类变量在训练数据集中未观察到（先验概率为0），则贝叶斯分类模型将无法进行预测。这通常被称为“零频率”。为了解决这个问题，可以使用平滑技术，最简单的平滑技术是拉普拉斯估计。
- 朴素贝叶斯假设特征之间相互独立，在特征间有紧密联系时，分类性能可能很差
Q10：比较朴素贝叶斯算法与逻辑回归算法
- 朴素贝叶斯是一种生成模型，而 LR 是一种判别模型。
- 朴素贝叶斯适用于小型数据集， LR+正则化可以达到类似的性能。
- LR 在共线性（colinearity）方面比朴素贝叶斯表现更好，因为朴素贝叶斯期望所有特征都是独立的。
引用：https://towardsdatascience.com/
Q11：噪声数据对贝叶斯模型有什么样的影响？
- 噪声数据会影响贝叶斯模型计算中的先验概率和似然，因此会降低贝叶斯模型的准确率
Q12：什么是贝叶斯网络？
- 贝叶斯网络是一种概率图形模型，它使用贝叶斯推理进行概率计算。贝叶斯网络旨在通过在有向图中用边表示条件依赖来模拟因果关系。通过这些关系，人们可以通过使用因子有效地对图中的随机变量进行推理。
- 贝叶斯网络是**有向无环图，**其中每条边对应一个条件依赖，每个节点对应一个唯一的随机变量。
- 通过贝叶斯网络推理，可以评估网络中每个变量（或子集）的特定值的联合概率
Q13：使用贝叶斯模型做分类时，可能会碰到什么问题？怎么解决？
- 朴素贝叶斯的缺点之一是，它基于数据中出现的频率估计先验概率；如果某个类标签和特定的属性值，数据中没有出现过，那么基于频率的先验概率估计将为零，贝叶斯公式的分母将为0，无法计算；
- 在贝叶斯环境中克服这种“零频率问题”的方法是，为每个属性值-类组合的计数加一（拉普拉斯平滑方法）
Q14：贝叶斯统计中，“似然”和“后验概率”有什么区别？
- 统计学中，似然函数是一种关于统计模型参数的函数；“似然”描述了给定了特定观测值后，模型参数的合理性
- 后验概率是是关于结果的函数，在给定了模型参数之后，描述结果的合理性
- 后验概率等于似然*先验，如果先验概率函数是平坦的，那么后验概率数值上与似然一致
引用：https://stats.stackexchange.com/
Q15：贝叶斯统计中，“先验概率”和“后验概率”的区别？
- 先验概率表示某事件发生的概率，是与其他因素独立的分布
- 后验概率属于条件概率，指某相关因素发生后，事件发生的概率