[Machine Learning] 朴素贝叶斯（Naive Bayes）

Naive Bayes （朴素贝叶斯）

在机器学习中，朴素贝叶斯分类器是一系列以假设特征之间强（朴素）独立下运用贝叶斯定理为基础的简单概率分类器

贝叶斯公式&全概率公式&先验概率&后验概率

如果对这四个名词不太熟悉，可以参考《[Machine Learning] 贝叶斯公式 & 全概率公式（Bayes Rule & Total Probability Theorem）》一文。

条件独立性假设（Conditions Independent）

如果$P(X,Y|Z)=P(X|Z)P(Y|Z)$，或等价地$P(X|Y,Z)=P(X|Z)$，则称事件X，Y对于给定事件Z是条件独立地，也就是说，当Z发生时，X发生与否与Y发生与否是无关的。

朴素贝叶斯分类器原理

朴素贝叶斯分类器（Naive Bayes Classifier）是以贝叶斯定理为基础并且假设特征条件之间相互独立的方法，先通过已给定的训练集，以特征词之间独立为前提假设，学习从输入到输出的联合概率分布，再基于学习到的模型，输入$X$求出使得后验概率最大的输出$Y$。

设有样本数据集$D=d_1,d_2,d_3,...,d_n$，对应样本数据地特征属性集为$X=x_1$