理工酷

三种原因

1.朴素贝叶斯更简单。你可以在几个小时内实现它，并且没有要调整的参数（大概唯一需要调整的就是如何表示连续值）。它很容易计算。训练很简单。

相比之下，神经网络很复杂，要设定很多，隐藏层，拓扑，反向传播和变体等。

2.增量可更新。你可以轻松快速地更新Naive Bayes算法。这只需对参数进行细微调整。理论上，神经网络需要在单个实例后进行重新训练。

可以使它们递增，但是与对整个数据集进行再训练相比，不能保证它们是最佳的。

3.可以处理大量的属性和类。Naive Bayes已被证明可以处理大量的属性（例如，用于文本分类的词袋）；对于类别也是如此。

[注意：还有其他使用神经网络的原因，但我的重点是为什么朴素贝叶斯仍然值得考虑]

更新：有人建议在违反独立性假设时不应使用朴素贝叶斯。令人惊讶的是，事实证明，独立性假设对于朴素贝叶斯来说并不是一个不好的事情，并且仍然可以很好地工作，特别是在用作分类器时，而不是用于估计正确性的实际可能性时。