最近我在看《统计学习》这本书，当然我是选一些必看的篇章进行学习，像之前更新的HMM并不是我学习计划中的部分，只是为了组会准备的（不是 = =）之后我会更新我学习计划中的朴素贝叶斯，决策树和逻辑回归这三个篇章，今天就来学习以下朴素贝叶斯，我们的目的是为了了解这个传统算法，知道其中的逻辑即可，对于数学公式建议配合例题来理解。
这是一道经典的例题。我们希望通过四个特征来判断这个人是否值得嫁（题目背景确实有意思，贴近生活），以下就是数据集。
现在给我们的问题是，如果一对男女朋友，男生想女生求婚，男生的四个特点分别是不帅，性格不好，身高矮，不上进，请你判断一下女生是嫁还是不嫁？
这是一个典型的分类问题，这其实就是一个条件概率的问题，我们需要计算的是在不帅、性格不好、身高矮、不上进的条件下嫁的概率和不嫁的概率谁大即可，用数学公式表示为比较 p(嫁|(不帅、性格不好、身高矮、不上进))与 p(不嫁|(不帅、性格不好、身高矮、不上进))的概率，谁的概率大，分类结果就是哪一类。
上图就是题解。当然大家可以看到我首先写的公式，这也是朴素贝叶斯的核心：
这个公式就是一个经典的条件概率计算公式，分子就是联合概率公式。在朴素贝叶斯分类中，我们需要计算的就是在给定特征的情况下，计算这些特征的分类，用条件概率的公式便可以写作上式。
其中 Y 就是分的类，X 就是特征。所以用直白的话表示为图里的公式。以这个核心为基准，我们就可以计算上面的例题了。现在将四个特征视为特征A，B，C，D，计算条件概率即可。其中计算方法我已经详细写在上图了。要注意的是分母也就是特征联合概率 P(A，B，C，D)，由于朴素贝叶斯将设特征间相互独立，所以联合概率即为概率间的乘积。最后我没有写出P2的具体流程，但是计算方法如图即可，最后计算后 P2 大于 P1 ,所以分类为不嫁。
这是一道典型的利用朴素贝叶斯进行二分类的问题，从这个题我们便可以给出朴素贝叶斯的计算的流程，如下图。
搭配例题来理解，会发现朴素贝叶斯就是在计算条件概率。
其实理解上述文字，基本就了解了朴素贝叶斯方法，当然我也放上《统计学习》中的朴素贝叶斯的参数估计章节，在朴素贝叶斯算法中，我们可以利用极大似然估计法估计先验概率 P（Y = Ck）可以看出来，我们在例题中也是采用了极大似然估计来解决问题的。
朴素贝叶斯算法的具体流程如下图：
最后我们以书中的例题作为本篇的末尾。
依照上文的方法便可以得到上图的计算流程。最终我们可以确定类别为 -1 的类别。
OK，朴素贝叶斯的学习篇章到此就结束了，朴素贝叶斯分类不是一个特别复杂的算法。即使在今天有着更加复杂，效果更好的分类算法的环境下，它依然是一种值得我们学习的算法。好，任然是那句话，有错望指正。接下来我还会持续更新一些机器学习算法的学习笔记，如果有感兴趣的朋友，可以点赞留言，我们一起讨论。
参考：
148
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
