Есть ли у гауссовского наивного байеса параметр, который нужно настроить?

Question

Я пытаюсь реализовать Gaussian Naive Bayes из библиотеки scikit-learn. Я знаю, что Наивный Байес основан на теореме Байеса, которая определяется на высоком уровне как: posterior = (prior * likelihood) / evidence.

Насколько мне известно, априорность и доказательства извлекаются из данных обучения.

Я не уверен в правдоподобии, является ли Q1: он также извлечен из данных обучения или с помощью оценки максимального правдоподобия ?. Q2: Требуются ли какие-либо гиперпараметры для настройки или нет?.

Answer 1

Предположим, у вас есть теорема Байеса как,

P(A|B) = (P(B|A)*P(A))/P(B)
Where,
P(A|B) = Posterior Probability
P(B|A) = Likelihood
P(A) = Prior Probability
P(B) = Marginal Likelihood

Ответы на ваш вопрос

1. Вероятность рассчитывается с использованием данных обучения, и оценка максимального правдоподобия используется для вычисления максимального значения правдоподобия.

2. Наивный байесовский метод почти не имеет гиперпараметров для настройки, поэтому обычно хорошо обобщается.