朴素贝叶斯
Parent: ai_keywords
核心定义
朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理的概率分类模型，其核心假设：在给定类别标签的条件下，所有特征之间相互独立（即“朴素”假设）。尽管该假设在现实中难以严格成立，但算法以极低的计算代价实现了可接受的分类性能，尤其适用于高维小样本数据。
关键技术点
- 贝叶斯定理：后验概率 ( P(y|x) = \frac{P(x|y)P(y)}{P(x)} )，通过先验概率 (P(y)) 和类条件概率 (P(x|y)) 推导类别。
- 条件独立假设：将联合概率 (P(x_1,…,x_n|y)) 分解为 (\prod_{i=1}^n P(x_i|y))，极大简化参数估计，避免维度灾难。
- 平滑处理：拉普拉斯平滑（又称加一平滑）解决零概率问题，防止测试样本中未见特征导致概率为0。
- 分布假设变体：
- 高斯朴素贝叶斯：连续特征服从正态分布；
- 多项式朴素贝叶斯：离散计数特征（如词频）；
- 伯努利朴素贝叶斯：二元特征（词是否出现）。
- 优势与局限：计算效率高、对小样本和缺失值鲁棒；但特征强相关时性能下降，无法学习特征交互。
医学/神经科学应用场景
以首都医科大学神经病学研究团队开展的脑卒中早期风险分层为例：输入特征包括年龄、收缩压、糖尿病史、房颤ECG指标、颈动脉IMT（内膜中层厚度）等多项临床及影像标志物。采用高斯朴素贝叶斯分类器，基于条件独立假设快速计算每位患者发生缺血性卒中的后验概率，输出“低危/中危/高危”分层。尽管特征间存在弱关联（如年龄与血压），朴素贝叶斯仍能在数百例样本中达到>80%的AUC，且模型完全透明，可逐项展示特征对概率的贡献（如“房颤使风险提升2.3倍”），为临床决策提供可解释性支持。
