---
title: "樸素貝氏（Naive Bayes）"
slug: naive-bayes
language: zh-TW
source: https://aiterms.tw/terms/naive-bayes
updated_at: 2026-04-29
tags: [機器學習, 自然語言處理, 模型訓練, 模型評估, AI基礎, Python程式, 統計方法, iPAS初級]
ipas_term: false
---

# 樸素貝氏（Naive Bayes）

> **你有沒有想過，很多分類問題其實可以先用很簡單的機率想法快速判斷？**
> 你可以把它想成把每個線索都先單獨看，再把這些線索的機率乘起來，快速猜是哪一類。
> 它的「樸素」在於假設特徵彼此獨立，雖然不完美，但在很多文字分類任務裡很管用。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
>
### 容易混淆

> **樸素貝氏 vs 貝氏定理**
> 樸素貝氏：是拿來做分類的模型
> 貝氏定理：是機率更新的數學公式
> 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
>
> **樸素貝氏 vs 邏輯迴歸**
> 樸素貝氏：偏生成式、靠條件獨立
> 邏輯迴歸：偏判別式、直接學邊界
> 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
>
### 記住這句就好

> 特徵先假設獨立，再用機率選類別。
>
### 實際案例

> **垃圾郵件**
> 看到「免費」「抽獎」「立即點擊」這些詞，系統用機率快速判斷像不像垃圾信。
>
> **情緒分類**
> 把一句話裡的正負面詞分開看，再估計整句比較像正面還是負面。
>
### 算法與應用

> 樸素貝氏本質上是在比較各類別的後驗機率。
> 雖然獨立假設常常不是真的，但它讓計算很省，表現也常出乎意料地穩。
> 在高維稀疏文字特徵上，它常比想像中更有競爭力。
>
### 情境判斷

> **Q1（直覺題）：你要做一個超快的垃圾郵件分類器，詞袋特徵很多，最像哪種模型？**
> → 樸素貝氏，因為它計算快而且很適合文字分類。
>
> **Q2（判斷題）：如果兩個特徵其實高度相關，但你還硬把它們當獨立，會怎樣？**
> → 機率可能被重複計算，分類分數會失真。
>
### 常見問題

> **Q：它為什麼叫樸素？**
> 因為它對特徵獨立做了很強的簡化假設。
>
> **Q：一定比複雜模型差嗎？**
> 不一定，資料少或特徵稀疏時，它常很有競爭力。
>
> **Q：它能處理連續值嗎？**
> 可以，常見作法是把連續值建成高斯版本。
>
### 相關術語

> - **貝氏定理**：先懂這個，才知道樸素貝氏在算什麼。
> - **機率分佈**：分類分數最後都落在機率分佈上。
> - **邏輯迴歸**：這是最常拿來比較的另一種分類器。
> - **決策樹**：和樸素貝氏一樣，都是經典分類入門。
> - **準確率**：分類模型通常最先看的評估指標。

---

來源：https://aiterms.tw/terms/naive-bayes
快查頁：https://aiterms.tw/terms/naive-bayes
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-naive-bayes