为了简化条件概率的计算，朴素贝叶斯算法提出条件假设（用于分类的特征在类别确定的条件下相互独立）即（）的意义
举一反三
- 11. 关于朴素贝叶斯，下列说法错误的是：（ ） A: 它是一个分类算法 B: 朴素的意义在于它的一个天真的假设：所有特征之间是相互独立的 C: 它实际上是将多条件下的条件概率转换成了单一条件下的条件概率，简化了计算 D: 朴素贝叶斯不需要使用联合概率
- 下面有关朴素贝叶斯算法的认识错误的是？ A: 与决策树算法不同，朴素贝叶斯模型是比较各种类别出现的概率大小确定样本的类别。 B: 朴素贝叶斯算法是一种使用概率理论的非监督分类算法。 C: 朴素贝叶斯模型需要先确定特征，并根据样本计算相关的先验概率，再计算特征条件下的分类变量的后验概率。 D: 朴素贝叶斯模型课用于垃圾邮件分类、微博用户情感的识别等场景。
- 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。()
- 以贝叶斯/概率公式和特征条件独立假设为基础的朴素贝叶斯分类器，正确的说法包括（ ）。 A: 是一种概率分类器 B: 利用贝叶斯公式将样本属于某个类别的概率转换为后验概率来计算 C: 所谓“朴素”假设，即是简单样本的假设 D: 所谓“朴素”假设，即是样本特征（属性）的条件独立假设
- 朴素贝叶斯方法假设各变量间相互独立，因此在计算后验概率时可以将各变量的条件概率相加