当我们使用决策树分类器训练训练集时，我们将得到一个树模型。此模型可以转换为规则，并可以合并到java代码中。现在，如果我使用Naive Bayes训练训练集，模型的形式是什么？我怎样才能将模型合并到我的java代码中？如果培训没有模型，那么Naive Bayes和懒惰学习者（例如kNN）有什么区别？
提前致谢。
朴素贝叶斯构造条件概率P(f_1,...,f_n|C_j)的估计，其中f_i是特征，C_j是类，使用贝叶斯规则和先验估计（P(C_j)）和证据（P(f_i)）可以被翻译成x=P(C_j|f_1,...,f_n)，可以大致读作“给定特征f_i我认为，他们描述的类C_j的对象和我的确定性是x“。事实上，NB假设节目是独立的，因此它实际上使用x=P(f_i|C_j)形式的简单可比性，所以“给定f_i我认为它是C_j，概率为x”。
所以模型的形式是一组概率：
P(f_i|C_j)和每个类f_i的条件概率C_jP(C_j)另一方面，KNN是完全不同的东西。它实际上不是严格意义上的“学习模型”，因为您不调整任何参数。它是一种分类算法，给出训练集和数字k简单地回答问题“对于给定点x，k在训练集中最近点的主要类别是什么？”。
主要区别在于输入数据 - 朴素贝叶斯工作于“观察”的对象，因此您只需要一些存在于分类对象或缺席的特征。它是一种颜色，照片上的对象，句子中的单词或高度复杂的拓扑对象中的抽象概念无关紧要。虽然KNN是一种基于距离的分类器，它要求您对可以测量距离的对象进行分类。因此，为了对抽象对象进行分类，您必须首先提出一些度量，距离度量，它描述了它们的相似性，结果将高度依赖于这些定义。另一方面，朴素贝叶斯是一个简单的概率模型，它根本不使用距离的概念。它以相同的方式处理所有对象 - 它们在那里或它们不在，故事的结尾（当然它可以推广到具有给定密度函数的连续变量，但这不是重点）。
朴素贝叶斯将构建/估计生成训练样本的概率分布。
现在，给定所有输出类的概率分布，您可以获取测试样本，并根据生成此样本的概率最高的类，将测试样本分配给该类。
简而言之，您将获取测试样本并运行所有概率分布（每个类别一个），并计算为该特定分布生成此测试样本的概率。