素⻉叶斯的主要优点有:
1. 朴素⻉叶斯模型发源于古典数学理理论,有稳定的分类效率。
2. 对⼩规模的数据表现很好,能个处理多分类任务,适合增量式训练,尤其是数据量超出内存时,我们可以⼀批批的去增量训练。
3. 对缺失数据不太敏敏感,算法也⽐较简单,常⽤于⽂本分类。
朴素⻉叶斯的主要缺点有:
1. 理论上,朴素⻉叶斯模型与其他分类⽅法⽐具有最⼩的误差率。但是实际上并⾮总是如此,这是因为朴素⻉ 叶斯模型给定输出类别的情况下,假设属性之间相互独⽴,这个假设在实际应⽤中往往是不成⽴的,在属性个数⽐较多或者属性之间相关性较⼤时,分类效果不好。⽽在属性相关性较⼩时,朴素⻉叶斯性能最为良好。对于这⼀点,有半朴素⻉叶斯之类的算法通过考虑部分关联性适度改进。
2. 需要知道先验概率,且先验概率很多时候取决于假设,假设的模型可以有很多种,因此在某些时候会由于假设的先验模型的原因导致预测效果不不佳。
3.由于我们是通过先验和数据来决定后验的概率从而决定分类,所以分类决策存在⼀定的错误率。
4. 对输⼊数据的表达形式很敏感