朴素贝叶斯：分母相对于所有类别为常数

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$\{C_k\}$类，那么假设一封邮件判断它是不是垃圾邮件,$C_k=\{0,1\}$
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：
$P(X=x|Y=c_k)=\prod_{j = 1}^nP(X=x^{(1)},X=x^{(2)}...X=x^{(n)}|Y=c_k)$
=$\prod_{j = 1}^nP(X=x^{(j)}|Y=C_k)$

根据贝叶斯公式：
$P(B|A)=\frac{P(A|B)P(B)}{P(A)}$

邮件分类：
这封邮件是$c_k$类的概率
$P(Y=C_k|X=x)=\frac{P(Y=C_k)\prod{P(X=x_i|Y=C_k)}}{P(X)}=\frac{P(Y=C_k)\prod{P(X=x_i|Y=C_k)}}{\sum_kP(Y=C_k)\prod{P(X=x_i|Y=C_k)}}$
$P(X)就是X集合的联合概率分布$
y1是指正常邮件的概率；要y2是指垃圾邮件的概率
$y1=\frac{P(Y=0)\prod{P(X=x_i|Y=0)}}{P(Y=0)\prod{P(X=x_i|Y=0)}+P(Y=1)\prod{P(X=x_i|Y=1)}}$

$y1=\frac{P(Y=1)\prod{P(X=x_i|Y=1)}}{P(Y=0)\prod{P(X=x_i|Y=0)}+P(Y=1)\prod{P(X=x_i|Y=1)}}$
分母是相同的 所以只需要比较分子，哪个大分到哪一类。

$P(Y=0)=\frac{\sum I(y=0)}{N}$ 正常邮件占总共邮件N的比值。
${P(X=x|Y=0)}=\prod_{j = 1}^nP(X=x^{(j)}|Y=0)=\prod_{j = 1}^n{\frac{\sum I(X=x^{(j)},y=0)}{\sum I(Y=0)}}$
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($\theta$)参数估计是MAP,最大似然估计出$p(Y=c_k),p(X=x_i|Y=c_k)$）。