我试图理解每一个之间的区别。
经验朴素贝叶斯分类器和参数贝叶斯分类器之间有什么区别？
答案 0 :(得分：1)
emperical 部分意味着分布是根据数据估算的，而不是在分析开始之前修复
经验贝叶斯方法是统计推断的程序，其中根据数据估计先验分布。这种方法与标准贝叶斯方法形成对比，在观察任何数据之前，先前的分布是固定的。尽管在视角方面存在这种差异，但经验贝叶斯可以被视为对分层模型的完全贝叶斯处理的近似，其中层次结构的最高级别的参数被设置为它们最可能的值，而不是被整合出来。经验贝叶斯，也称为最大边际似然，[1]代表了一种设置超参数的方法。
http://en.wikipedia.org/wiki/Empirical_Bayes_method
Naive 表示要分析的要素的值彼此独立
朴素贝叶斯分类器是一种简单的概率分类器，它基于贝叶斯定理应用强（幼稚）独立假设。底层概率模型的更具描述性的术语是“独立特征模型”。