朴素贝叶斯分类（NB）

作用：

计算对象属于的类别

公式：

A: 类别
B: 待分类对象
P(B) ： 待分类对象自身的概率（可忽略不计）
P(A): 每个类别的先验概率（比如100篇文章，30篇是军事类别，那军事的先验概率是0.3）
P(B|A): 每个类别产生对象的概率
P(Bi|Ai) : 每个类别产生该特诊的概率 P（苹果|科技）

使用最大似然估算法：

P(a) = Count(Ai)：类别为ai的对象在训练数据中出现的次数
例如：
总共训练数据100篇，其中军事类30篇，科技类20篇
P(军事) = 0.3 P(科技)=0.2

P(Bj | Ai) = count(Bj,Ai)/count(Ai)
P(Bj | Ai)
• Count(Bj, Ai)：特征Bj和类别Ai训练数据同时出现的次数
例如：
特征出现在训练数据对象的总数 / 分类的先验概率

• 总共训练数据1000篇，其中军事类300篇，科技类240篇，生活类140篇，……
• 军事类新闻中，谷歌出现15篇，投资出现9篇，上涨出现36篇
• P(谷歌|军事)=0.05， P(投资|军事)=0.03， P(上涨|军事)=0.12，

求值逻辑：

给定X，计算所有的p(yi|X)，选择概率值最大的yi作为输出
• X={国内，投资，市场，……}
• P(军事|X)=P(国内|军事)* P(投资|军事)* P(市场|军事)……P(军事)
• 同样计算P(科技|X) P(生活|X)