貝葉斯分類(lèi)器是通過(guò)概率統(tǒng)計(jì)得到的，需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到相應(yīng)的分類(lèi)函數(shù)。如果非要說(shuō)差異，那就是結(jié)構(gòu)上的差異。神經(jīng)網(wǎng)絡(luò)是用高階級(jí)數(shù)或幾何空間來(lái)逼近的，眾多的節(jié)點(diǎn)構(gòu)成了非常復(fù)雜的數(shù)據(jù)關(guān)聯(lián)，而貝葉斯分類(lèi)器在理

貝葉斯分類(lèi)器是通過(guò)概率統(tǒng)計(jì)得到的，需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到相應(yīng)的分類(lèi)函數(shù)。如果非要說(shuō)差異，那就是結(jié)構(gòu)上的差異。神經(jīng)網(wǎng)絡(luò)是用高階級(jí)數(shù)或幾何空間來(lái)逼近的，眾多的節(jié)點(diǎn)構(gòu)成了非常復(fù)雜的數(shù)據(jù)關(guān)聯(lián)，而貝葉斯分類(lèi)器在理論上使用了每種模式（在事件幾何下），神經(jīng)網(wǎng)絡(luò)是一個(gè)連續(xù)的系統(tǒng)，貝葉斯是不連續(xù)的，而且貝葉斯方法不能處理維度之間高度相關(guān)的事件（這就像z=ax by，但是Y中有一個(gè)X的相關(guān)因子，X和Y是不獨(dú)立的）。然而，神經(jīng)網(wǎng)絡(luò)卻沒(méi)有這樣的問(wèn)題。

貝葉斯網(wǎng)絡(luò)分類(lèi)器和神經(jīng)網(wǎng)絡(luò)分類(lèi)器的區(qū)別？

一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來(lái)流行起來(lái)，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問(wèn)題。

機(jī)器學(xué)習(xí)的意義在于代替人工完成重復(fù)性工作，識(shí)別出統(tǒng)一的規(guī)則（模式）。但是對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)來(lái)說(shuō)，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準(zhǔn)確性將在很大程度上決定大多數(shù)機(jī)器學(xué)習(xí)算法的性能。為了使特征準(zhǔn)確，在特征工程部分需要大量的人力來(lái)調(diào)整和改進(jìn)特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識(shí)別。如果不滿(mǎn)足這一前提，傳統(tǒng)的機(jī)器學(xué)習(xí)算法將在信息的雜亂中失去其性能。深度學(xué)習(xí)的應(yīng)用正是基于這個(gè)問(wèn)題。它的深層神經(jīng)網(wǎng)絡(luò)使它能夠在雜波中學(xué)習(xí)，自動(dòng)發(fā)現(xiàn)與任務(wù)相關(guān)的特征（可以看作是自發(fā)學(xué)習(xí)的特征工程），并提取高級(jí)特征，從而大大減少了特征工程部分任務(wù)所花費(fèi)的時(shí)間。

另一個(gè)明顯的區(qū)別是他們對(duì)數(shù)據(jù)集大小的偏好。傳統(tǒng)的機(jī)器學(xué)習(xí)在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時(shí)表現(xiàn)出良好的性能，而深度學(xué)習(xí)則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴(kuò)大，深度學(xué)習(xí)的效果會(huì)逐漸顯現(xiàn)出來(lái)，并變得越來(lái)越好。對(duì)比如下圖所示。