朴素贝叶斯法

 

朴素贝叶斯法基于

1.贝叶斯定理

2.特征条件独立假设

用于分类的特征在类（y）确定的情况下是条件独立的

 输入：

 

朴素贝叶斯算法是懒惰式学习生成模型，测试实例到来时才能进行学习。

 

 

过程：

1.学习先验概率

2.学习条件概率分布（条件独立性假设）

其中：

（极大似然估计）

 

 3.根据贝叶斯公式，计算后验概率

带入条件概率公式：

 

上式中，分母是一样的，当k取不同值时分子是不一样的，得出的后验概率也不一样的，朴素贝叶斯就是要求出最大的后验概率对应的Ck

所以，朴素贝叶斯分类器：

由于分母都是一样的，所以就只计算分子就行：

3.输出：分类Ck

 

将实例分类为后验概率最大的类中，等价于期望风险最小化，证明略

 

 参数估计：（主要是先验概率和条件概率的估计）

极大似然估计：

先验概率：

条件概率：

 

极大似然估计有个缺点是：如果某个特征的条件概率的值为0，那么计算条件概率时会影响其他特征（因为是连乘），所以采用贝叶斯估计，就是在分子、分母都加上一个参数

贝叶斯估计：

先验概率：

条件概率：