La respuesta de Omkar Lad hace algunos grandes puntos.
Sin embargo, quiero agregar la advertencia de que el modelo Naive Bayes es técnicamente un caso especial de las redes bayesianas. Un Baysian representa un conjunto de variables como un gráfico de nodos, modelando las dependencias entre esos nodos como bordes. Al modelar dependencias, una red bayesiana debe hacer suposiciones inherentes sobre la dependencia e independencia entre variables. En el mundo real, dos variables prácticamente nunca son verdaderas y completamente independientes. Sin embargo, para hacer un uso práctico de una red bayesiana dadas las restricciones sobre la cantidad de datos de entrenamiento y recursos computacionales disponibles, los científicos de datos simplifican estas redes con la aproximación de que las variables que son casi independientes son completamente independientes. El modelo Naive Bayes hace lo mismo. La característica definitoria del modelo Naive Bayes es que hace la suposición extremadamente agresiva y demasiado simplificada de que todas las características son condicionalmente independientes dadas las etiquetas de clase.
El siguiente diagrama, tomado del artículo Estimación de distribuciones continuas en clasificadores bayesianos, muestra la representación de la red bayesiana del modelo Naive Bayes. En el diagrama, [math] C [/ math] representa una etiqueta de clase y [math] X_is [/ math] representa características:
- ¿Existe alguna relación entre el aprendizaje automático y el campo de la electrónica analógica o digital?
- ¿Necesito implementar modelos de aprendizaje profundo desde cero?
- ¿Los analistas de datos serán reemplazados por aprendizaje automático e inteligencia artificial pronto?
- ¿Hay algún otro clasificador de aprendizaje profundo como softmax?
- ¿Cómo obtienen las empresas datos de capacitación para implementar el aprendizaje para clasificar algoritmos, especialmente en el contexto de búsqueda?
