朴素贝叶斯的主要优点有：

1）朴素贝叶斯模型有稳定的分类效率

2）对小规模的数据表现很好，能处理多分类任务适合增量式训练，尤其是数据量超出内存时可以一批批的去增量训练。

3）对缺失数据不太敏感算法也比较简单，常用于文本分类

朴素贝叶斯的主要缺点有：　　　

1） 理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率但是实际上并非总是如此，这是因为朴素贝叶斯模型给定输出类别的情况下,假设属性之间楿互独立这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时分类效果不好。而在属性相关性较小時朴素贝叶斯性能最为良好。对于这一点有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进。

2）需要知道先验概率且先验概率很多时候取决于假设，假设的模型可以有很多种因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。

3）由于我们是通过先验和数据来决定后验的概率从而决定分类所以分类决策存在一定的错误率。

4）对输入数据的表达形式很敏感

漫长的等待终于到手了！

现在id變成了‘nike by you’，确实盒子衬纸，鞋盒侧标都更加用心了。

主角鞋子更是没的说大概看下来做工还是不错的，色差也基本没有很喜欢。之前买了kd12首发黑白配色实战过后爱的无法自拔，于是等id一出来立马就安排了尺码的建议大一个码数（是一个码数，不是直接码数+1）包裹很棒，缓震很好后跟和鞋舌的内衬都很厚实。