机器学习：半朴素贝叶斯分类器

上篇介绍了朴素贝叶斯分类器，之所以称为朴素，是因为它有一个重要假设：属性条件独立性假设，即假设所有属性相互独立。而现实任务中很难满足这个假设。所以有人就尝试对属性条件独立性假设做出一定的放松，于是就产生了“半朴素贝叶斯分类器”。

假设每个属性最多仅依赖一个其他属性： 问题转变为确定每个属性的依赖的属性（父属性）。

SPODE方法：假设所有的属性都依赖同一个属性，称为“ 超父”，可以通过 模型选择的一些方法确定超父属性。下图中x1作为“超父”：

AODE方法：把每个属性作为“超父”来构建SPODE，然后将有足够训练数据的SPODE集成起来作为最终结果：

拉普拉斯修正后的概率：

通过以上两种常用的方法，我们就可以得到半朴素贝叶斯分类器。

参考资料：周志华《机器学习》

相关博文：朴素贝叶斯分类器