机器学习入门算法及其java实现-朴素贝叶斯

$\quad\quad$贝叶斯决策论是在所有相关概率都已知的理想情形下，基于这些概率和误判损失来选择最优的类别标记。
$\quad\quad$假设有N中可能的类别标记，即$y=\{c_{1},c_{2},...,c_{N}\}$ ,$\lambda_{ij}$是将一个真实标记为$c_{j}$的样本误分类为$c_{i}$ 的样本误分类为所产生的损失。基于后验概率$p(c_{i}|x)$可获得将样本$x$分类为$c_{i}$所产生的期望损失(expected loss)，即在样本$x$上的“条件风险”(conditional risk)。

$$R(c_{i}|x)=\sum_{j=1}^{N}\lambda_{ij}p(c_{j}|x)$$ 我们的任务是寻找一个判定准则 h:x→y