1. 任务：以新闻分类为例

2. 特征表示：X={昨日，是，国内，投资，市场……}

3. 特征选择：X={国内，投资，市场……}

4. 模型选择：朴素贝叶斯分类器

• P(X)：待分类对象自身的概率，可忽略

• P(yi)：每个类别的先验概率，如P(军事)

• P(X|yi)：每个类别产生该对象的概率

• P(xi|yi)：每个类别产生该特征的概率，如P(苹果|科技)

5. 训练数据准备

根据最大似然估计（maximum likehood estimation，MLE）：

P(yi)=Count(yi)/Count(*)

即：类别为yi的对象在训练数据中出现的次数/训练集样本总数

P(xj|yi)=Count(xj,yi)/Count(yi)

即：特征xj和类别yi在训练数据中同时出现的次数/Count(yi)

6. 模型训练进行预测分类

给定X，依据上面的贝叶斯公式，计算所有的p(yi|X)：

• P(军事|X)=P(国内|军事)* P(投资|军事)* P(市场|军事)……P(军事)

• 同理，计算P(科技|X) P(生活|X)

选择概率值最大的yi作为输出

7. 评测

• 准确度 Accuracy：(50+35)/(35+5+10+50)=85%

• 精确率 Precision(y1)：50/(50+5)=90.9%

• 召回率 Recall(y1)：50/(50+10)=83.3%