1. 朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布P(X, Y),然后求得后验概率分布P(Y, X)。具体来说,利用训练数据学习P(X, Y)和P(Y)的估计,得到联合概率分布
概率估计方法可以是极大似然估计或贝叶斯估计。
2. 朴素贝叶斯的基本假设是条件独立性,
这是一个较强的假设。由于这一假设,模型包含的条件概率的数量大为减少,朴素贝叶斯法的学习与预测大为简化。因而朴素贝叶斯法高效,且易于实现。其缺点是分类的性能不一定很高。
3.朴素贝叶斯法利用贝叶斯定理与学习到的联合概率模型进行分类预测。
将输入x分到后验概率最大的类y。
后验概率最大等价于0-1损失函数时的期望风险最小化。