朴素贝叶斯分类

朴素贝叶斯分类解决的问题是什么？

解决给你N个训练数据样本，给你一个测试样本，分辨出测试样本属于label_1还是label_2的问题。

如何白话描述贝叶斯概率？

贝叶斯概率是依据真实数据对先验概率的一种调整。

举个形象的例子描述它？

 

数学上如何定义它？

根据对贝叶斯的简单描述，贝叶斯是对先验概率的一种重新调整，可以写成。

数学表达式：。

其中是先验概率，调整因子。P(A/B)为B事件发生的情况下，A事件发生的概率，P(A)为A事件发成的概率，P(B)为B事件发生的概率。总的一句话就是因为后续的事件B的发生，对一开始先验概率的重新调整。比如随机的在人群中拉出一个人，如果在没有其他的限制条件下，他是男生是女生的概率是50%，并不能正确的判断，如果此时，知道这个人是长发飘飘，那么是不是说这个人是男生的概率会大于50%，这就是对先验概率进行了调整，而且还是一种正向调整，如果调整因子<1，即为反向调整。

机器学习中如何使用它？

如果一上来就说贝叶斯能直接应用在机器学习上，是不是觉得毫无头绪，反正我是一头雾水，根本抓不到这两者之间有任何的连续，或者说分类问题都是文字的描述，很难把贝叶斯和分类联系起来。先不要着急，我们一步一步来看。

1、我们要实现什么？我们需要对test数据进行分类。选择哪一个类的选择标准是什么？输入一组数据，如果得到P(label_1) > P(label_2)。你是不是会想，如果到这里就结束了，那我还要特征干什么，不同的特征是会影响最终的P(label_1)和P(label_2)，说到这里有没有一点贝叶斯的影子，貌似是在说：不同的的特征，具有不同的概率输出，不同的事件是不是等于B事件（不同的特征），概率输出指的就是P(label)呢。

2、这里我们进行第一个假设：假设每一个样本都有A1、A2、A3、A4等4个特征。上述1中的最终描述应该是：P（label_1）=，P（label_2）=P(label_1/(A1、A2、A3、A4))。这个是什么鬼，求得出来么？这两个东东不觉得很像P(A/B)么，显然我们就是要对它进行分类，答案肯定是正向求不出来的。先有原因推断结果比较难，那我们需要换一个思路。

3、这里我们进行第二个假设：现在已经有了N个原始数据，这些数据中有m个label_1标签，有n个label_2标签，其中m+n=N。我们可以计算出label的先验概率 P(label_1)=m/N,P(label_2)=n/N。根据上面的公式，其实我们已经把先验概率求出来了。

4、总结一下上面1.2.3点，我们可以得到下面一个结论：

这个公式是不是和朴素贝叶斯一模一样。

5、我们把求转化成了求、和，把一个不好求的问题转换成了好求问题。但是看起来还是不好求啊。

6、这里我们进行第三个假设，贝叶斯能在机器学习上应用最牛逼的假设-----朴素贝叶斯假设各个特征之间相互独立，如果不对其进行假设的话，会出现多维联合概率分布。读到这里，或许有点感觉了吧，有独立的字眼，立马能想到独立事件，没错，你真的很棒。上面没的公司立马写成：

1、

2、

7、具体的举例可以参考https://blog.csdn.net/lyl771857509/article/details/78993493，这里面有一个女生嫁或者不嫁的问题。

机器学习中决策一个测试数据属于哪个类的依据是什么？

P(label_1) > P(label_2)

机器学习中如何使用它有什么先决条件？

       这里就是上面6中那个最牛逼的假设，通俗来讲就是特征之间相关性比较小，如果相关性比较大，其实是不适合用朴素贝叶斯来解决分类问题的，如果实际中数据之间不相互独立，可以应用半朴素贝叶斯分类。