人工智能（第十一周）

朴素贝叶斯分类的正式定义如下：

1.设：

x={a1,a2,...,am}

为一个待分类项，而每个a为x的一个特征属性。

2.有类别集合：

C={y1,y2,...,yn}

3.计算：

P(y1|x), P(y2|x),...,P(yn|x)

4.如果：

P(yk|x) = max{P(y1|x),P(y2|x),...,P(yn|x)}

那么现在的关键就是如何计算第3步中的各个条件概率。我们可以这么做：

 1.找到一个已知分类的待分类项集合，这个集合叫做训练样本集。

2.统计得到在各类别下各个特征属性的条件概率估计。即 

 3.如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：

 例题：