朴素贝叶斯

朴素贝叶斯

下面是一些总结，再放两个大佬详细例子的举例。
例子一（基本的朴素贝叶斯）
例子二（拉普拉斯优化的朴素贝叶斯）
贝叶斯公式：

机器学习中的贝叶斯公式：

因为在求P的时候会涉及多个特征概率的问题，所以我们假设特征之间相互独立，所以这种基于特征之间相互独立的贝叶斯叫做朴素贝叶斯。

然后代入公式求解即可。

但是还有两个问题没有解决？？？
1、连续的数据怎么办？
2、有缺失值的数组怎么办？

对于第一个问题，我们得实现用极大似然估计求出其概率模型，一般是正态函数，然后将x带入高斯函数得出相应的概率进行计算。

对于第二个问题，我们有拉普拉斯平滑。

简单的来解释一下公式就是，分子就是特征个数+1，分母：若是条件概率就是在这个条件下的所有特征个数+这个特征的分类数；若是一般概率则是所有特征个数+这个特征的分类数。