我在 Scikit-learn 指南 (https://scikit-learn.org/stable/modules/naive_bayes.html) 中读到了这个：
[...] 虽然朴素贝叶斯被认为是一个不错的分类器， 已知它是一个错误的估计量，因此概率输出 来自 predict_proba 的不要太认真'
既坏又体面？
【问题讨论】：
标签： scikit-learn classification naivebayes
好的，让我们提供一些上下文，引用2nd edition of Francois Chollet's book on Deep Learning 中的一段话，我相信这会阐明你的审讯。关键是朴素贝叶斯是第一个所谓的机器学习分类器之一，它假设输入数据中的特征都是独立的（朴素假设），仍然提供“下降”结果；但是，与最近的神经网络相比，分类任务的性能通常要低得多。
朴素贝叶斯是一种机器学习分类器，它基于应用贝叶斯定理，同时假设输入数据中的特征都是独立的（强或“朴素”的假设，这就是名称的来源）。这种形式的数据分析早于计算机，并且在其首次计算机实施（很可能可以追溯到 1950 年代）之前的几十年就被手工应用了。贝叶斯定理和统计学的基础可以追溯到 18 世纪，而这些都是您开始使用朴素贝叶斯分类器所需要的一切。
一个密切相关的模型是逻辑回归（简称logreg）， 这有时被认为是现代的“你好世界” 机器学习。不要被它的名字误导——logreg 是一个 分类算法而不是回归算法。很像 朴素贝叶斯，logreg 早于计算很长一段时间，但它仍然是 由于其简单而多才多艺的性质，它至今仍然有用。它的 通常，数据科学家首先会尝试在数据集上获得 感受手头的分类任务。
【讨论】：