简单易学的机器学习算法—朴素贝叶斯
一、贝叶斯定理
1、条件概率
条件概率是指在事件B发生的情况下，事件A发生的概率，用
表示。
2、全概率公式
其中
称为
先验概率，即在事件B发生之前，我们对事件A的概率的一个判断。
称为后验概率，即在事件B发生之后，我们对事件A的概率的重新估计。
称为调整因子，使得预估概率更接近真实概率。
贝叶斯推断告诉我们，先预估计一个“先验概率”，然后加入实验结果，看这个实验到底是增强还是削弱了“先验概率”，由此得到更接近事实的“后验概率”。
二、朴素贝叶斯 1、朴素贝叶斯的概述
朴素贝叶斯是使用条件概率来分类的，假设有一个二分类问题，二分类是指分成两个类的问题，如
类和
类。假设样本有两个
特征
和
，则需要分别求解条件概率
和
。而
可以表述为
数据分析师培训
由于
特征之间是相互独立的的，所以
。
此时要做分类，贝叶斯分类准则为：
如果
，那么属于
类；
如果
，那么属于
类。
和
构成样本空间的一个划分，那么事件B的概率，就等于
和
的概率分别乘以B对这两个事件的条件概率之和。
