概率分类器-朴素贝叶斯（NaiveBeyesianClassification，NB）分类算法解析

所谓概率分类器，即计算待分类对象属于每个类别的概率，选择最大概率输出。

朴素贝叶斯（NaiveBeyesianClassification，NB）公式：

其中代表先验概率；

接下来用一个实例来解释如何计算该分类概率。

假设有1000篇文章，其中军事300篇，科技200篇，医疗500篇；

则

=p(军事)=300/1000=0.3

=p(科技)=200/1000=0.2

=p(医疗)=500/1000=0.5

接下来求解，根据最大似然估计（maximum likehoodestimation，MLE）可得

假设待评估文章x包含以下词汇，

=“军舰”， =“人工智能”， =“医生”，

军事类文章中，包含"军舰"的文章有120篇，包含"医生"的文章有24篇，包含"人工智能"的文章有12篇；

科技类文章中，包含"军舰"的文章有16篇，包含"医生"的文章有28篇，包含"人工智能"的文章有80篇；

医疗类文章中，包含"军舰"的文章有10篇，包含"医生"的文章有250篇，包含"人工智能"的文章有5篇；

计算结果如下：

=120/300=0.4

=12/300=0.04

=24/300=0.08

=0.4*0.04*0.08=0.00128

 

=16/200=0.08

=80/200=0.4

=28/200=0.14

=0.08*0.4*0.14=0.00448

 

=10/500=0.02

=5/500=0.01

=250/500=0.5

=0.02*0.01*0.5=0.0001

 

根据NB可得

由此可得文章x在军事、科技、医疗三个种类中属于科技的概率最大。