李航统计学习第四章-朴素贝叶斯法

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_20095389/article/details/87180886

1、先导知识

• 为什么朴素
  朴素贝叶斯法对条件概率分布作了条件独立性假设。
• 参数估计和推导过程

2、朴素贝叶斯算法

朴素贝叶斯其实很简单，之前看了好几遍，但总是会忘记，感觉被深度学习荼毒太深。

这样想，朴素贝叶斯算的也是有监督的东西，那么无非就是输入x，输出y。如果需要得到参数，那么就是根据输入x和对应的标签y，求条件概率 $P(y|x)$。

这样就好办了，我们可以知道的是 $P(x|y)$， $P(y)$，因为有标签啊~ 又因为算的是朴素贝叶斯，数学公式稍微一推导，很简单就可以得出下面的算法。

3、拉普拉斯平滑估计

起那么复杂的名字，简单的说就是万一数据集中狗的训练数据为0咋办，总不能求条件概率的时候除个0吧，因此就加上了所谓的拉普拉斯平滑估计，无非就是分母上加一个epsion.

4、极大似然估计理解

下面博文讲的特别好，拷贝过来
https://blog.csdn.net/class_brick/article/details/79724660

极大似然估计可以拆成三个词，分别是“极大”、“似然”、“估计”，分别的意思如下：
极大：最大的概率
似然：看起来是这个样子的
估计：就是这个样子的
连起来就是，最大的概率看起来是这个样子的那就是这个样子的。

举个例子：
有两个妈妈带着一个小孩到了你的面前，妈妈A和小孩长得很像，妈妈B和小孩一点都不像，问你谁是孩子的妈妈，你说是妈妈A。好的，那这种时候你所采取的方式就是极大似然估计：妈妈A和小孩长得像，所以妈妈A是小孩的妈妈的概率大，这样妈妈A看来就是小孩的妈妈，妈妈A就是小孩的妈妈。