iPAS AI 初級・漫畫式小白教材

Naive Bayes

貝氏分類器｜「先算機率，再猜你是哪一類！」

🎬 第一幕：垃圾郵件偵探

📧 新信件

📩

「恭喜！你獲得免費獎金！」

AI 要判斷：

🚨 垃圾郵件？還是 📬 正常郵件？

🕵️ Bayes 偵探

🧠🔎

「我來算這封信比較像哪一類！」

觀察「免費、獎金、恭喜」等特徵。

🎯 最後分類

🚨📧

算出：

P(垃圾郵件｜這些文字)

如果機率最高 → 判斷為垃圾郵件。

🧠 一句話先背起來

Naive Bayes＝「用 Bayes 定理算後驗機率，選機率最高的類別。」

它是監督式的生成式機率分類模型。先從訓練資料估計「每個類別有多常見」與「某特徵在該類別出現的機率」，再用 Bayes 定理反推新資料最可能屬於哪一類。

監督式學習分類生成式模型機率

🎭 第二幕：Bayes 偵探的計算邏輯

① 先看類別

📊

歷史資料告訴我：

垃圾郵件有 30%

正常郵件有 70%

這叫先驗機率 P(類別)。

② 看特徵

🔎📧

「免費」這個詞：

P(免費｜垃圾郵件) 很高

P(免費｜正常郵件) 很低

這是條件機率 P(特徵｜類別)。

③ 算後驗

🧮🎯

把資訊合起來：

P(垃圾｜特徵)

和其他類別比較，誰最高就選誰。

🔢 第三幕：Bayes 定理其實沒有那麼可怕

P(類別｜特徵) = P(特徵｜類別) × P(類別) ÷ P(特徵)

🧠 翻成白話

P(類別｜特徵)
看到這些特徵後，屬於這個類別的機率。

P(特徵｜類別)
如果本來就是這個類別，看到這些特徵的機率。

🎯 考試重點

P(類別)＝先驗機率

P(特徵｜類別)＝條件機率／似然相關項

P(類別｜特徵)＝後驗機率

🤔 第四幕：為什麼叫「Naive」？

📧 一封信

📧

出現：

「免費」

「獎金」

「限時」

🤖 Naive 假設

🤷‍♂️

它做了一個很「天真」的假設：

「在知道類別後，各特徵之間可以近似看成彼此獨立。」

🧮 好處

⚡

雖然現實中的文字特徵通常不是完全獨立，但這個簡化假設讓計算變得非常容易。

簡單、快速、常常很好用。

⚠️ 「Naive」不是說模型很笨，而是指它採用了條件獨立的簡化假設。

🥊 第五幕：Generative vs Discriminative 是這題真正的考點！

比較	🟢 Generative Model	🔵 Discriminative Model
核心問題	「資料是怎麼產生的？」	「這筆資料應該分到哪一類？」
學習方式	建構／估計資料的機率分布	直接學習類別之間的關係或決策邊界
代表例子	Naive Bayes、Gaussian Mixture Model 等	Logistic Regression、SVM 等
漫畫記憶	🧠「先把世界的機率畫出來」	✏️「直接畫一條分界線」

Naive Bayes → 🟢 Generative
Logistic Regression / SVM → 🔵 Discriminative

🧩 第六幕：四種機器學習類型不要混在一起

類型	漫畫	在做什麼？	代表
生成式模型	🎨	建構／估計資料分布，再進行推斷	Naive Bayes
判別式模型	✏️	直接學分類關係／決策邊界	Logistic Regression、SVM
分群	👥	根據相似性自動分組	K-means
強化學習	🎮🏆	透過行動與獎勵學習策略	Q-learning、Policy-based 方法

🎯 第七幕：為什麼 Naive Bayes 很適合文字分類？

📚 文字變成很多特徵

一封郵件可以拆成：

免費｜獎金｜優惠｜點擊｜限時

Naive Bayes 可以快速估計這些詞在不同類別下出現的機率。

⚡ 快速分類

新郵件進來：

特徵 → 機率 → 比較類別 → 分類

因此常見於垃圾郵件過濾、文字分類、文件分類等場景。

🎯 第八幕：你的錯題逐一拆解

❌ A.「直接學習輸入特徵與目標標籤的邊界或關係」——這是在描述判別式模型，例如 Logistic Regression、SVM。

✅ B. 正確答案
「建構資料的整體分布，並利用條件關係進行推斷」——符合 Naive Bayes 的生成式機率模型特性。

❌ C.「探索樣本相似性並自動分群」——這是非監督式分群，例如 K-means。

❌ D.「試錯＋獎勵／懲罰」——這是強化學習的核心概念，不是 Naive Bayes。

🧠 iPAS 考前超強口訣

Naive Bayes＝「先算機率，再分類」

看到「先驗機率、條件機率、後驗機率、Bayes 定理」→ Naive Bayes

⭐ Naive Bayes 是「監督式＋分類＋生成式＋機率模型」。

🎯 最後來做你提供的錯題

題目：貝氏分類器常應用於文字分類、垃圾郵件過濾。依據模型特性，它最適合歸類為哪一類？

A. 直接學習輸入特徵與標籤之間的邊界或關係
B. 建構資料的整體分布，並利用條件關係進行推斷和分類
C. 探索樣本相似性，自動分成不同群組
D. 透過試錯與獎懲優化決策策略

🎯 正確答案：B ✅

Naive Bayes 會估計不同類別的先驗機率，以及特徵在各類別下的機率，再利用 Bayes 定理計算後驗機率，最後選擇最可能的類別。

因此它屬於生成式模型（Generative Model）。

⭐ A＝判別式　B＝生成式　C＝分群　D＝強化學習

📌 考前最後一張小抄

題目關鍵字	立刻想到
Bayes 定理	🧮 Naive Bayes
先驗機率 P(C)	🧠 Naive Bayes
條件機率 P(X｜C)	🔎 Naive Bayes
後驗機率 P(C｜X)	🎯 Naive Bayes
生成式模型	🟢 Naive Bayes
決策邊界	🔵 判別式模型
相似性、自動分群	👥 K-means
獎勵、懲罰、試錯	🎮 強化學習

⭐ 最終口訣：
「Bayes 先算機率；Naive 假設條件獨立；最後選機率最高的類別。」