In principle, Bayes' theorem enable

In principle, Bayes' theorem enables optimal prediction
of the class label for a new instance given a vector
of attribute values. Unfortunately, straightforward application
of Bayes' theorem for machine learning is impractical
because inevitably there is insufficient training
data to obtain an accurate estimate of the full joint
probability distribution. Some independence assumptions
have to be made to make inference feasible. The
naive Bayes approach takes this to the extreme by assuming
that the attributes are statistically independent
given the value of the class attribute. Although
this assumption never holds in practice, naive Bayes
performs surprisingly well in many classification problems.
Furthermore, it is computationally efficient

ผลลัพธ์ (ไทย) 1:

ในหลักการ ทฤษฎีบทของ Bayes ให้คาดเดาที่ดีที่สุดของป้ายชื่อคลาสสำหรับอินสแตนซ์ใหม่กำหนดให้เวกเตอร์ของค่าแอตทริบิวต์ อับ แอพลิเคชันที่ตรงไปตรงมาทฤษฎีบทของ Bayes เครื่องเรียนเป็นไปได้ยากเพราะย่อมมีการฝึกอบรมไม่เพียงพอข้อมูลการขอรับการประเมินความถูกต้องของร่วมทั้งหมดการกระจายความน่าเป็นงาน บางสมมติฐานความเป็นอิสระต้องทำเพื่อให้ข้อมีความเป็นไปได้ ที่วิธีการ Bayes ขำน่าใช้เวลานี้สุด โดยสมมติว่าว่า คุณลักษณะที่เป็นอิสระทางสถิติกำหนดค่าของแอตทริบิวต์คลา ถึงแม้ว่าสมมติฐานนี้ไม่มีในแบบฝึกหัด ขำน่า Bayesน่าแปลกใจทำดีในหลายประเภทปัญหานอกจากนี้ เป็น computationally efficient