El clasificador Naive Bayes emplea una función de hipótesis muy simple (lineal). Como resultado, sufre un alto sesgo o error resultante de imprecisiones en su clase de hipótesis, porque su función de hipótesis es tan simple que no puede representar con precisión muchas situaciones complejas. Por otro lado, exhibe una varianza baja, o no se puede generalizar a datos invisibles en función de su conjunto de entrenamiento, porque la simplicidad de su clase de hipótesis evita que se ajuste demasiado a sus datos de entrenamiento. Como resultado de este atributo, se ha demostrado que el clasificador Naive Bayes funciona sorprendentemente bien con cantidades muy pequeñas de datos de entrenamiento que la mayoría de los otros clasificadores, y especialmente los ANN, encontrarían significativamente insuficientes.
Pregunta original: ¿Por qué los clasificadores Naive Bayes se consideran relativamente inmunes al sobreajuste?
- Aprendizaje automático: ¿qué significa "abandono en el cerebro con respecto a todas las entradas, mientras que abandono en una red convolucional funciona con respecto a cada unidad individual"?
- ¿Cuáles son los temas candentes para la investigación en Machine Learning?
- ¿Cuál es la diferencia al aplicar el aprendizaje profundo en el reconocimiento de voz automático usando kaldi y usando la antorcha?
- ¿Cómo aprendió Ajit Rajasekharan tanta PNL?
- ¿Cómo se hacen análisis de datos, estadísticas y aprendizaje automático en big data?