朴素贝叶斯笔记

一、算法
假设一个文本数据集$T=\{(x_1,y_1),(x_2,y_2),...(x_N,y_N)\}$,其中$x_i$表示第$i$个数据，$y_i$表示第$i$个数据对应的类，$y_i\in(c_1,c_2,...,c_k)$。$x_i=(x^{1}_1,x^{2}_2,...,x^{n}_n)$,$x^{j}_i$表示第i个样本的第j个特征值。
现在给定一个样本$x'_i=(x'^{1}_1,x'^{2}_2,...,x'^{n}_n)$,算出$x'_i$的类别。
计算方法：
1、对已有数据集统计各个分类的概率，即先验概率

2、计算每一个分类里面，对应的$x^{j}_{i}$的概率,即条件概率

3、计算给定样本$x'_i=(x'^{1}_1,x'^{2}_2,...,x'^{n}_n)$在每一个分类的概率，

4、确定$x'_i=(x'^{1}_1,x'^{2}_2,...,x'^{n}_n)$属于哪一类，即判断其在哪一个类的概率最大

二、贝叶斯推理
1、先验概率分布：

2、条件概率分布


3、后验概率：


四、例题