machine-learning - 朴素贝叶斯和神经网络的相似点和选择

Question

我有一个大型数据集，包含 10 个不同的输入和 1 个输出。所有输出和输入都是谨慎的(低、中、高)。我正在考虑为这个问题创建一个神经网络，但是当我设计网络以具有 3 个不同的输出(低、中、高)并使用 softmax 神经元时，我基本上得到了一个“概率”。我说得对吗？

这让我认为尝试朴素贝叶斯分类器可能更好，从而忽略输入变量之间可能的相关性，但是在大型数据集中，朴素贝叶斯显示出有希望的结果。

在这种情况下，有理由选择神经网络而不是贝叶斯吗？当您想要概率作为输出(使用神经网络中的 softmax 函数)时，选择神经网络的原因是什么。

Answer 1

是的，通过输出层中的 softmax 激活，您可以将输出解释为概率。

选择人工神经网络 (ANN) 而不是朴素贝叶斯的一个潜在原因是您提到的可能性:输入变量之间的相关性。朴素贝叶斯假设所有输入变量都是独立的。如果该假设不正确，则可能会影响朴素贝叶斯分类器的准确性。具有适当网络结构的人工神经网络可以处理输入变量之间的相关性/依赖性。