朴素贝叶斯分类

贝叶斯决策论

设有 N 个类别，即$\mathbf Y=\{c_1,c_2,...,c_N\}$，$\lambda_{ij}$是将一个实际为$c_j$的样本标记为$c_i$的损失。那么，将样本 $x$ 分类为 $c_i$ 的期望损失为：

$$R(c_i|x)=\sum^N_{j=1}\lambda_{ij}P(c_j|x)$$
我们要求的就是找到一个判断准则 $h$ 使其总风险最小：
$$R(h)=E_x[R(h(x)|x)]$$
显然，若要最小化 $R(h)$ 只需在每个样本上选择能使 $R(c_i|x)$ 最小的标记：
$$h^*(x)=\arg \min R(c|x)$$
当我们的目标是最小化分类错误率时，条件风险为：
$$R(c|x)=1-P(c|x)$$
于是：
$$h^*(x)=\arg \max P(c|x)$$

贝叶斯公式：

$$P(c|x)=\frac{P(x,c)}{P(x)}=\frac{P(c)P(x|c)}{P(x)}$$

朴素贝叶斯分类

不难发现，基于贝叶斯公式来估计后颜概率$P(c|x)$的主要困难在于：类条件概率$P(x|c)$是所有属性上的联合概率，难以从有限的训练样本直接估计而得。
为了避开这个障碍，朴素贝叶斯分类器采用了 “属性条件独立假设”：对于已知类别，假设所有属性互相独立。那么：

$$P(c|x)=\frac{P(c)P(x|c)}{P(x)}=\frac{P(c)}{P(x)}\prod^d_{i=1}P(x_i|c)$$

其中，$d$为属性数目，$x_i$为$x$在第$i$个属性上的取值。
由于对于所有类别来说$P(x)$相同，因此贝叶斯判断准则有：

$$h_{nb}(x)=\arg \max_{c\in y} P(c)\prod^d_{i=1}P(x_i|c)$$