朴素贝叶斯何时比SVM表现更好？

在我正在研究的一个小型文本分类问题中，朴素贝叶斯（Naive Bayes）表现出与SVM相似或更高的性能，我感到非常困惑。

我想知道是什么因素决定一种算法胜过另一种算法。是否存在没有必要在SVM上使用朴素贝叶斯的情况？有人可以阐明这一点吗？

对于给定的数据集，哪一个是最好的分类方法，没有唯一的答案。在给定数据集上进行比较研究时，应始终考虑使用不同种类的分类器。给定数据集的属性，您可能会有一些线索可能会偏爱某些方法。但是，如果可能的话，建议您进行所有实验。

朴素贝叶斯分类器（NBC）和支持向量机（SVM）具有不同的选项，包括为每个选项选择内核功能。它们都对参数优化敏感（即，不同的参数选择会显着改变其输出）。因此，如果您的结果显示NBC的性能优于SVM。这仅适用于所选参数。但是，对于其他参数选择，您可能会发现SVM性能更好。

通常，如果数据集的变量满足NBC的独立性假设，并且类重叠的程度较小（即潜在的线性决策边界），则NBC有望达到良好的效果。例如，对于某些数据集，通过使用包装器特征选择进行优化，NBC可能会击败其他分类器。即使达到可比的性能，NBC也将因其高速度而更为理想。

总而言之，如果分类法在一种情况下胜过其他分类法，则我们不应该偏爱任何分类方法，因为它可能在另一种分类法中严重失败。（这在数据挖掘问题中是正常的）。