A continuación se muestra la lista de las 5 principales diferencias entre Naïve Bayes y Regresión logística.
1. Propósito o qué clase de inclinación de la máquina resuelve?
Ambos algoritmos se pueden usar para clasificar los datos. Usando estos algoritmos, puede predecir si un banquero puede ofrecer un préstamo a un cliente o no, o identificar que el correo dado es Spam o jamón.
2. Mecanismo de aprendizaje de algoritmos
Naïve Bayes : para las características dadas (x) y la etiqueta y, estima una probabilidad conjunta de los datos de entrenamiento. Por lo tanto, este es un modelo generativo
Regresión logística: estima la probabilidad (y / x) directamente de los datos de entrenamiento minimizando el error. Por lo tanto, este es un modelo discriminatorio
3. Supuestos del modelo
Naïve Bayes: el modelo supone que todas las características son condicionalmente independientes. Por lo tanto, si algunas de las características dependen entre sí (en el caso de un gran espacio de características), la predicción podría ser deficiente.
Regresión logística: si las divisiones presentan espacio linealmente, funciona bien incluso si algunas de las variables están correlacionadas
4. Limitaciones del modelo
Naïve Bayes: Funciona bien incluso con menos datos de entrenamiento, ya que las estimaciones se basan en la función de densidad conjunta
Regresión logística: Con los pequeños datos de entrenamiento, las estimaciones del modelo pueden sobrepasar los datos
5. Enfoque a seguir para mejorar los resultados
Naïve Bayes: Cuando el tamaño de los datos de entrenamiento es menos relativo a las características, la información / datos sobre probabilidades previas ayudan a mejorar los resultados
Regresión logística: cuando el tamaño de los datos de entrenamiento es menos relativo a las características, la regresión de Lasso y Ridge ayudará a mejorar los resultados.
- ¿Puedo usar el concepto de aprendizaje automático para predecir cuánta cantidad de comida cocinar por día en un restaurante?
- Cómo acceder a las funciones extraídas por OverFeat
- ¿Cómo se ve afectada la propagación hacia atrás en NN recurrentes?
- ¿Cuál es la relación entre un modelo múltiple que interactúa y un filtro de Kalman?
- ¿Puede una red neuronal convolucional tener pesos negativos?