В чем заключаются преимущества и недостатки непараметрических байесовских классификаторов?

Некоторые преимущества непараметрических байесовских классификаторов:

• Работа в условиях малого количества обучающих данных. 3 Непараметрические модели позволяют быстро дообучаться по мере поступления новых наблюдений. 3
• Возможность использования в ситуациях, когда затруднительно или невозможно параметрическое определение модели. 3 Например, при описании смеси распределений с неизвестным количеством компонент смеси. 3
• Обеспечение оценок вероятности с высокой степенью детализации. 5 Это важно для многих клинических применений, например, в исследованиях по оценке рисков. 5

Некоторые недостатки непараметрических байесовских классификаторов:

• Чувствительность к нарушениям нормальности распределений, в частности, к редким большим выбросам. 1
• Неустойчивость решений. 1 Положение разделяющей гиперплоскости может непредсказуемо и сильно изменяться при незначительных вариациях обучающих данных. 1
• Сложность выполнения вероятностного вывода. 3 В общем случае, точный вероятностный вывод является NP-трудной задачей, что делает его невозможным на практике даже для умеренно больших моделей. 3