朴素贝叶斯公式形象化描述

网上看到很多对于朴素贝叶斯的文字描述，内容繁杂，不够简单，具体可参考该篇文章朴素贝叶斯案例，这里文字性的内容就不多说，主要强调点就是使用要求：各元素之间保持相互独立性。直接以几幅公式图来表述朴素贝叶斯的应用：

假设M,N代表文档的类别（例如，’科技’或’体育’等），而A,B,C则分别表示不同的词汇（例如，’大数据’，’云计算’等词从属于科技类新闻，而’篮球’,’足球’等词从属于体育类新闻），一般贝叶斯公示为：
：：：：：：：：：：
该表达式表示A词在M文档中出现的概率，即在文档M的条件下，A词出现的概率，其它形式相同。

现在，假设某文档出现A,B,C三词，需要判定该文档到底是M类还是N类了？ P(M|ABC)和P(N|ABC),这两个条件概率便是计算点，其表达式表述为：
：：：：：：

其实，从代码函数来看，我们只需要计算P(MABC)及P(NABC)即可。

---

总结：
朴素贝叶斯算法是一个直观的方法，使用每个属性归属于某个类的概率来做预测。你可以使用这种监督性学习方法，对一个预测性建模问题进行概率建模。

给定一个类，朴素贝叶斯假设每个属性归属于此类的概率独立于其余所有属性，从而简化了概率的计算。这种强假定产生了一个快速、有效的方法。

给定一个属性值，其属于某个类的概率叫做条件概率。对于一个给定的类值，将每个属性的条件概率相乘，便得到一个数据样本属于某个类的概率。

我们可以通过计算样本归属于每个类的概率，然后选择具有最高概率的类来做预测。