当我们使用决策树分类器训练一个训练集时，我们会得到一个树模型。并且这个模型可以转换为规则并且可以合并到java代码中。 现在如果我使用朴素贝叶斯训练训练集，模型是什么形式的？以及如何将模型合并到我的 java 代码中？ 如果训练没有模型，那么朴素贝叶斯和惰性学习器（例如kNN）有什么区别？
提前致谢。
【问题讨论】：
标签： machine-learning artificial-intelligence classification naivebayes
朴素贝叶斯将构建/估计生成训练样本的概率分布。
现在，给定所有输出类的概率分布，您获取一个测试样本，然后根据哪个类生成该样本的概率最高，将测试样本分配给该类。
简而言之，您获取测试样本并通过所有概率分布（每个类别一个）运行它并计算针对该特定分布生成此测试样本的概率。
【讨论】：
朴素贝叶斯构造条件概率估计P(f_1,...,f_n|C_j)，其中f_i 是特征，C_j 是类，使用贝叶斯规则和先验估计 (P(C_j)) 和证据 (P(f_i)) 可以翻译成x=P(C_j|f_1,...,f_n)，大致可以理解为“给定功能f_i我认为，他们描述类C_j的对象，我确定是x”。事实上，NB 假设活动是独立的，所以它实际上使用了x=P(f_i|C_j) 形式的简单概率，所以“给定 f_i 我认为它是概率 x 的 C_j”。
所以模型的形式是一组概率：
f_i 和每个类C_j 的条件概率P(f_i|C_j)
P(C_j)
另一方面，KNN 则完全不同。它实际上不是严格意义上的“学习模型”，因为您不调整任何参数。它是一种分类算法，给定训练集和编号k 只需回答问题“对于给定点x，训练集中k 最近点的主要 类是什么？ ”。
主要区别在于输入数据 - 朴素贝叶斯适用于“观察”对象，因此您只需要分类对象中存在或不存在的一些特征。无论是颜色、照片上的对象、句子中的单词还是高度复杂的拓扑对象中的抽象概念，都没有关系。而 KNN 是一个基于距离的分类器，它要求您对可以测量之间距离的对象进行分类。因此，为了对抽象对象进行分类，您必须首先提出一些度量、距离度量，它描述了它们的相似性，结果将高度依赖于这些定义。另一方面，朴素贝叶斯是一个简单的概率模型，根本不使用距离的概念。它以相同的方式处理所有对象 - 它们存在或不存在，故事结束（当然它可以推广到具有给定密度函数的连续变量，但这不是重点）。
【讨论】：