Преимущества наивного алгоритма вычисления дисперсии:

• Простота и эффективность. 1 Алгоритм прост в обучении и реализации, эффективен из-за низких вычислительных затрат. 1
• Быстрое обучение и прогнозирование. 1 Не требует большого количества обучающих данных из-за независимости между функциями. 1
• Масштаб. 1 Может обрабатывать многомерные наборы данных с большим количеством функций. 1
• Устойчивость к несущественным функциям. 1 Не чувствителен к несущественным функциям. 1
• Хорошо работает с небольшими обучающими наборами. 1 Может обеспечить приемлемые результаты даже при ограниченных данных обучения. 1

Недостатки наивного алгоритма вычисления дисперсии:

• Предположение о независимости признаков. 25 В реальных задачах полностью независимые признаки встречаются крайне редко. 2
• Проблема нулевой частоты. 34 Если переменная имеет категорию, которая не наблюдалась в обучающем наборе данных, то модель присвоит 0 (нулевую) вероятность и не сможет сделать предсказание. 2