这句话理解:
由于朴素贝叶斯是一个生成模型,用来做分类器使用。
假设总共的类别是
{Ck}
类,那么假设一封邮件判断它是不是垃圾邮件,
Ck={0,1}
0代表正常邮件,1代表垃圾邮件。
假设一封邮件
X={x(1),x(2),x(3)....x(n)}
先验概率:
朴素贝叶斯假设条件独立这样就可以概率相乘:
P(X=x|Y=ck)=∏nj=1P(X=x(1),X=x(2)...X=x(n)|Y=ck)
=
∏nj=1P(X=x(j)|Y=Ck)
根据贝叶斯公式:
P(B|A)=P(A|B)P(B)P(A)
邮件分类:
这封邮件是
ck
类的概率
P(Y=Ck|X=x)=P(Y=Ck)∏P(X=xi|Y=Ck)P(X)=P(Y=Ck)∏P(X=xi|Y=Ck)∑kP(Y=Ck)∏P(X=xi|Y=Ck)
P(X)就是X集合的联合概率分布
y1是指正常邮件的概率;要y2是指垃圾邮件的概率
y1=P(Y=0)∏P(X=xi|Y=0)P(Y=0)∏P(X=xi|Y=0)+P(Y=1)∏P(X=xi|Y=1)
y1=P(Y=1)∏P(X=xi|Y=1)P(Y=0)∏P(X=xi|Y=0)+P(Y=1)∏P(X=xi|Y=1)
分母是相同的 所以只需要比较分子,哪个大分到哪一类。
P(Y=0)=∑I(y=0)N
正常邮件占总共邮件N的比值。
P(X=x|Y=0)=∏nj=1P(X=x(j)|Y=0)=∏nj=1∑I(X=x(j),y=0)∑I(Y=0)
上面这俩式其实式最大似然估计的结果。
所以朴素贝叶斯是MAP和极大似然估计的结合(类别(
θ
)参数估计是MAP,最大似然估计出
p(Y=ck),p(X=xi|Y=ck)
)。