贝叶斯决策论（后验概率最大化）的问题

在看待解决一分类问题时候，在相关概率已知的条件下，贝叶斯决策论考虑如何基于这些概率把（期望损失）风险 降到最低，从而得到最优的类别标记，即 期望风险最小化。

假设由$N$种可能的类别标记为 y = { c 1 , c 2 . . . c n } y=\{c_1,c_2...c_n\} y={c1​,c2​...cn​}， ${\lambda }_{ij}$是一个将真实标记为$c_j$误分类为$c_i$所产生的损失，则基于后验概率$P(c_i|x)$可得到将样本分类为$c_i$的风险，即在样本上面的条件风险，可表示为：$$R(c_j|x)=\sum _{j=1}^N{\lambda }_{ij}P(c_i|x)，其中{\lambda }_{ij}=0,ifi=j;{\lambda }_{ij}=1,otherwise;$$
显然$i=j$时分类正确，风险为0，如若分类错误则在风险会随后验概率$P(c_i|x)$的变化而变化，即基于后验概率$P(c_i|x)$预测错误类别的概率越大风险越大。

以上为样本$x$一条样本产生的风险，$E$表示总体样本集合，则总体风险可表示为：$$R(h)=E_x[R(h(x)|x)]=E_x[\sum _{j=1}^N{\lambda }_{ij}P(c_i|x)]$$
显然我们如果能最小化条件风险，则总体风险自然也将最小化，下面是 $x$ 样本期望风险最小化过程：

以上我么由 期望风险最小化 进而得出 后验概率最大化准则，这就是朴素贝叶斯法所采用的原理。即我们只需要去求：$$h^{\ast }(x)=argmaxP(c|x)=argmax\frac{P(c)P(x|c)}{P(x)},c\in y$$
即可求得最优的类别标记。

朴素贝叶斯详细内容可参考：https://blog.csdn.net/H_hei/article/details/84327975

---

仅为个人的浅显理解，欢迎大家指正交流。