Naive bayes 简要总结

最近开始给一群搞生物的讲machine learning，所以决定有点什么感想就记录一下。

语言毫无逻辑，希望以后还能看懂我在写啥。

感觉我终于有点搞懂了朴素贝叶斯分类器；
首先，分类器就是求P(Y|X)，这是一个关于Y的后验概率
例如，男人和女人
如果我知道这个世界上男人和女人的比例是1:1， 那么没有任何其他条件，随机抽一个人，是女的的概率是1/2 即P(Y)=1/2 （如果是正态分布，就是已知先验的均值和方差）
但是，如果一个人，我已知这个人长头发，穿裙子，那么这个人是女人的概率就会发生变化，因为这样就会从一个先验概率变成一个后验概率，分布就变了；
那么，做分类，其实就是在求，对于一类x，比如长头发，穿裙子，那么他是男人的后验概率和时女人的后验概率哪个更大，那么这个人就被预测为那个类；
所以就是在求最大后验概率MAP （就是最大后验概率估计）
而最大后验概率，根据贝叶斯公式，他就是最大似然估计*先验概率
最大似然估计，在条件独立的时候可以算出来，先验也可以算出来，或者用领域知识