moea_joint
104年
[統計資訊] 統計學、巨量資料概論
第 44 題
關於 Bayes Nets 與 Naïve Bayes 兩種統計學習演算法，下列何者有誤？
- A Naïve Bayes 的演算法假設特徵值相互之間的關連性是獨立
- B Naïve Bayes 學習演算可以算是 Bayes Nets 的一個特例，因為 Bayes Nets 並未假設特徵值相互之間的關連性是獨立
- C Bayes Nets 的計算是用條件機率來表示特徵值之間的關連性，並利用這些條件機率的相乘積結果來表示分類別機率的大小，以判斷最後分類別
- D 因為 Naïve Bayes 演算法的侷限性，它僅能作為資料分群，而不能作為資料分類使用
思路引導 VIP
當我們在使用貝氏定理來預測一個結果時，我們通常是根據「已知類別的歷史資料」來計算機率，還是讓電腦在完全沒有標籤的情況下，自己去摸索資料之間的相似性來堆疊成群呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準指出選項 (D) 的錯誤，代表你對貝氏分類器的核心定義掌握得非常紮實。這題的難點在於區分「演算法的假設限制」與「演算法的功能類型」，許多初學者容易被「侷限性」這個詞誤導，而你成功避開了陷阱。
貝氏分類器的核心本質
Naïve Bayes 之所以被稱為「分類器」，正是因為它屬於監督式學習的一種，其核心目標是透過已知的標籤（Labels）來訓練模型，進而對新樣本進行分類。雖然它「天真」地假設特徵之間彼此獨立，其數學表示式為 $P(x_1, ..., x_n | C) = \prod_{i=1}^{n} P(x_i | C)$，但這僅是簡化運算的手段，並不影響它作為分類工具的本質。相反地，分群（Clustering）通常是指在沒有標籤的情況下尋找資料特徵，這與貝氏演算法的運作邏輯完全不同。
▼ 還有更多解析內容