朴素贝叶斯算法原理理解

朴素贝叶斯流程如下：

1．设 x={a1,a2,…,am}为一个待分类项，而每个 a 为 x 的一个特征属性。
2．有类别集合 C={y1,y2,…,yn}。
3．计算 P( y1|x) ,P( y2|x),…, P( yn|x)。
4．如果 P( yk|x) =max{P( y1|x),P( y2|x),…, P( yn|x)}，则 x∈yk。
那么现在的关键就是如何计算第 3 步中的各个条件概率。我们可以这么做：
　　(1) 找到一个已知分类的待分类项集合，也就是训练集。
　　(2) 统计得到在各类别下各个特征属性的条件概率估计。即：

　　 　　　　　  P(a1|y1) , P(a2|y1),…, P(am|y1);
　　　　　　　　P(a1|y2) , P(a2|y2),…, P(am|y2);
　　　　　　　　P(am|yn) , P(am|yn),…, P(am|yn)。
　　(3) 如果各个特征属性是条件独立的(或者我们假设它们之间是相互独立的)，则根 据贝叶斯定理有如下推导：

　　　　因为分母对于所有类别为常数，只要将分子最大化皆可。又因为各特征属性是条 件独立的，所以有：

综上，朴素贝叶斯分类的流程可以表示如下：

       第一阶段：训练数据生成训练样本集

　　第二阶段：计算每个类别 P(yi)

　　第三阶段：计算各类别下各个特征属性的条件概率估计 

       第四阶段：对每个类别计算 P( x | yi ) P( yi )

　　第五阶段：以 P( x | yi ) P( yi ) 的最大项作为 x 的所属类别

 

参考原文地址：https://www.cnblogs.com/taich-flute/p/6813815.html