Naive Bayes pertenece a la clase de modelos generativos para la clasificación. Modela la probabilidad posterior a partir de las densidades condicionales de la clase. Entonces la salida es una probabilidad de pertenecer a una clase.
SVM por otro lado se basa en una función discriminante dada por y = w.x + b. Aquí estimamos los pesos w y el parámetro de sesgo b a partir de los datos de entrenamiento. Intenta encontrar un hiperplano que maximice el margen y hay una función de optimización al respecto.
Es más probable que las SVM de rendimiento que utilizan el núcleo de función de base radial tengan un mejor rendimiento, ya que pueden manejar las no linealidades en los datos. Naive Bayes funciona cuando las características son independientes entre sí, lo que no sucede en realidad, pero aún así su rendimiento también es bueno en ese caso.
- ¿Qué posibilidades hay de que EE. UU. Pierda más empleos si Google y Facebook continúan invirtiendo en laboratorios de IA fuera de EE. UU.?
- ¿Es apropiado utilizar el aprendizaje automático para encontrar la distribución de probabilidad aproximada de sus datos?
- ¿Puede la inteligencia artificial hacerse cargo de los trabajos humanos?
- ¿Cuánto tiempo pasará antes de que podamos reemplazar a los conserjes con máquinas?
- ¿Es la inteligencia humana reducible al aprendizaje automático?
¡Espero eso ayude!
