&&机器学习实战&&朴素贝叶斯

1.概述

分类器有时很难给出该数据实例属于哪一类这类问题的明确答案，这时可以要求分类器给出一个最优的类别猜测结果，同时给出这个猜测的概率估计值。之所以称为’朴素‘，是因为整个形式化过程只做最原始，最简单的假设。

优点：在数据较少的情况下仍然有效，可以处理多类别问题。

缺点：对于输入数据的准备方式较为敏感。

适用数据类型：标称型数据。

标称型：一般在有限的数据中取，而且只存在‘是’和‘否’两种不同的结果（一般用于分类）

数值型：可以在无限的数据中取，而且数值比较具体化，例如4.02,6.23这种值（一般用于回归分析）

朴素贝叶斯理论是贝叶斯决策理论的一部分，所以先来了解一下贝叶斯理论。

2.贝叶斯理论

假设我们现在有一个数据集，它由两类数据组成，数据分布如图：

我们现在用p1(x,y)表示数据点(x,y)属于类别1（图