В чем заключаются преимущества и недостатки непараметрических байесовских классификаторов?

Некоторые преимущества непараметрических байесовских классификаторов:

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

Некоторые недостатки непараметрических байесовских классификаторов:

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