---
id: ML-MNB-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [machine-learning, nlp, naive-bayes, text-classification, statistics, bayesian]
last_reinforced: 2026-04-26
---

# Multinomial Naive Bayes (다항 나이브 베이즈)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "단어의 빈도 속에 숨겨진 확률의 힘을 믿고, 복잡한 문맥 대신 통계적 정직함으로 문서를 분류하라" — 각 특징(단어 빈도)이 다항 분포를 따른다고 가정하고, 베이즈 정리를 활용하여 문서의 카테고리를 예측하는 텍스트 마이닝의 고전적 베이스라인 알고리즘.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Word Frequency Likelihood" — 문장을 단순히 단어의 뭉치(Bag-of-Words)로 보고, 특정 클래스에서 해당 단어들이 나타날 조건부 확률을 결합하여 가장 높은 사후 확률을 가진 클래스를 선택하는 패턴.
- **주요 특징:**
    - **Efficiency:** 연산량이 매우 적어 대규모 텍스트 데이터를 순식간에 처리 가능.
    - **Robustness to Small Data:** 데이터가 적을 때도 나이브 베이즈 특유의 '강한 가정' 덕분에 비교적 안정적인 성능 발휘.
    - **Laplace Smoothing:** 한 번도 나오지 않은 단어 때문에 확률이 0이 되는 현상을 방지하는 필수 기법 적용.
- **의의:** 딥러닝 시대 이전까지 스팸 필터링, 뉴스 분류 등 텍스트 처리의 표준이었으며, 현재도 복잡한 모델을 돌리기 전 성능의 기준점(Baseline)으로 널리 활용됨.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단어 간의 독립성을 가정(Naive)하기 때문에 문맥이나 단어 순서를 무시한다는 치명적 단점이 있으나, 실제 텍스트 분류 환경에서는 이 단순함이 오히려 강력한 일반화 성능을 제공하는 '나이브 베이즈의 역설'이 종종 발생함.
- **정책 변화:** Antigravity 프로젝트는 수집된 원시 데이터(Raw Data)를 1차적으로 빠르게 카테고리화하거나, 키워드 기반의 의도 분류를 수행할 때 비용 대비 효율이 극대화된 다항 나이브 베이즈 모델을 활용함.

## 🔗 지식 연결 (Graph)
- [[Naive-Bayes-Classifiers]], NLP-Foundations, Probability-Theory, [[Supervised-Learning-Foundations]]
- **Raw Source:** 10_Wiki/Topics/AI/Multinomial-Naive-Bayes.md