朴素貝葉斯常見面試題
1、 朴素貝葉斯與LR的區別？
朴素貝葉斯是生成模型，根據已有樣本進行貝葉斯估計學習出先驗概率P(Y)和條件概率P(X|Y)，進而求出聯合分布概率P(XY),最后利用貝葉斯定理求解P(Y|X)，
而LR是判別模型，根據極大化對數似然函數直接求出條件概率P(Y|X)；
朴素貝葉斯是基於很強的條件獨立假設（在已知分類Y的條件下，各個特征變量取值是相互獨立的），而LR則對此沒有要求；
朴素貝葉斯適用於數據集少的情景，而LR適用於大規模數據集。
2、朴素貝葉斯“朴素”在哪里？
簡單來說：利用貝葉斯定理求解聯合概率P(XY)時，需要計算條件概率P(X|Y)。在計算P(X|Y)時，朴素貝葉斯做了一個很強的條件獨立假設（當Y確定時，X的各個分量取值之間相互獨立），即P(X1=x1,X2=x2,…Xj=xj|Y=yk) = P(X1=x1|Y=yk)P(X2=x2|Y=yk)…*P(Xj=xj|Y=yk)。
3、 在估計條件概率P(X|Y)時出現概率為0的情況怎么辦？
簡單來說：引入λ，當λ=1時稱為拉普拉斯平滑。
4、 朴素貝葉斯的優缺點
優點：對小規模的數據表現很好，適合多分類任務，適合增量式訓練。
缺點：對輸入數據的表達形式很敏感（離散、連續，值極大極小之類的）。
重點：
面試的時候怎么回答朴素貝葉斯呢？
首先朴素貝斯是一個生成模型（很重要），其次它通過學習已知樣本，計算出聯合概率，再求條件概率。
生成模式和判別模式的區別：
生成模式：由數據學得聯合概率分布，求出條件概率分布P(Y|X)的預測模型；
常見的生成模型有：朴素貝葉斯、隱馬爾可夫模型、高斯混合模型、文檔主題生成模型（LDA）、限制玻爾茲曼機
判別模式：由數據學得決策函數或條件概率分布作為預測模型
常見的判別模型有：K近鄰、SVM、決策樹、感知機、線性判別分析（LDA）、線性回歸、傳統的神經網絡、邏輯斯蒂回歸、boosting、條件隨機場