目录
- 概述
- 原理
- 要点
1、概述
朴素贝叶斯分类算法是贝叶斯分类算法中最简单的一种，贝叶斯分类算法以样本可能属于某类的概率来作为分类依据。贝叶斯分类算法是一大类分类算法的总称。
2、原理
如果一个事物在一些属性条件发生的情况下，事物属于A的概率大于属于B的概率，则判定事物属于A。
朴素贝叶斯分类器
朴素贝叶斯分类器的表示形式：
当特征为为x时，计算所有类别的条件概率，选取条件概率最大的类别作为待分类的类别。由于上公式的分母对每个类别都是一样的，因此计算时可以不考虑分母，即
朴素贝叶斯的朴素体现在其对各个条件的独立性假设上，加上独立假设后，大大减少了参数假设空间。
扫描二维码关注公众号，回复：
4716223 查看本文章
3、要点
- 分解各类先验样本数据中的特征；
- 计算各类数据中，各特征的条件概率，比如：特征1出现的情况下，属于A类的概率 p(A|特征1)，属于B类的概率 p(B|特征1)，属于C类的概率p(C|特征1)......
- 分解待分类数据中的特征（特征1、特征2、特征3、特征4......）
- 计算各特征的各条件概率的乘积，如下所示：判断为A类的概率：p(A|特征1)*p(A|特征2)*p(A|特征3)*p(A|特征4).....，判断为B类的概率：p(B|特征1)*p(B|特征2)*p(B|特征3)*p(B|特征4).....，判断为C类的概率：p(C|特征1)*p(C|特征2)*p(C|特征3)*p(C|特征4).....
- 结果中的最大值就是该样本所属的类别。