朴素贝叶斯对不相关的特征具有鲁棒性。这是什么意思？谁能举个例子，不相关的特征是如何抵消的，什么是不相关的特征？

想象一个用于情感分析的分类器。对于一个非常积极的词，比如$w=great$, 条件概率$p(w|pos)$会很高，而$p(w|neg)$将会非常低，所以后$p(pos|d)$对于一个文件$d$包含这个词很可能远高于$p(neg|d)$.

现在中性词会发生什么$w=today$? 两者都不$p(w|pos)$或者$p(w|neg)$将比另一个高得多。因此，在所有其他条件相同的情况下，与其他更相关的词（例如“伟大”）相比，两个后验概率之间的差异不会很大程度上取决于这个词。

如果独立性假设成立，则它是最优的。任何人都可以举一个独立假设不成立的例子吗？我认为这与句子中出现香港、英国等词有关。

在实践中，独立性假设几乎从不适用于真实数据。例如，文本中的单词实际上是相互依赖的，这就是它们在句子中的意义所在。这对于像“Hong Kong”这样的实体是正确的，对于几乎任何句子也是如此。例如，“我喜欢巧克力，但你讨厌它”并不意味着“你喜欢巧克力，但我讨厌它”，或者“你讨厌巧克力，但你讨厌它”，这没有任何意义。NB 将以相同的方式处理所有这些变体：基本上，模型假定独立性是为了使事情更简单、更容易计算，事实证明，尽管进行了大量简化，但它总体上工作得很好。