我们正在尝试实现一个语义搜索算法，以根据用户的搜索词提供建议的类别。
目前，我们已经实现了朴素贝叶斯概率算法，返回我们数据中每个类别的概率，然后返回最高的概率。
然而，由于它的简单性，有时会得到错误的结果。
除了神经网络和其他非常复杂的东西外，还有没有其他替代方案可供我们研究？
目前，我们已经实现了朴素贝叶斯概率算法，返回我们数据中每个类别的概率，然后返回最高的概率。
然而，由于它的简单性，有时会得到错误的结果。
除了神经网络和其他非常复杂的东西外，还有没有其他替代方案可供我们研究？
2个回答
6
朴素贝叶斯（NB）与逻辑回归并没有太大的区别。根据经验，逻辑回归在预测性能方面大多数情况下优于NB。
此外，如果您拥有足够的数据且没有任何缺失数据，则很可能会发现NB的预测性能与更复杂的方法（例如贝叶斯网络（BN），其协变量之间没有“天真”的独立假设）几乎相同。
如果您想放宽独立性假设而不必完全深入到BN领域，则可以首先尝试 Tree Augmented Naive Bayes 算法。
- Zhubarb
3
如果你不认为线性支持向量机是非常复杂的东西，那么你可以尝试一下。它被认为在这种任务中表现非常出色。
- Marc Claesen
2
什么是“线性支持向量机（SVM）”？ - fiatjaf
支持向量机。 - photocode
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接