机器学习算法（7）之朴素贝叶斯

1. 引言

　　朴素贝叶斯算法（Naive Bayes）是机器学习中常见的基本算法之一，主要用来做分类任务的。它是基于贝叶斯定理与条件独立性假设的分类方法。对于给定的训练数据集，首先基于特征条件独立性假设学习输入/输出的联合概率分布，然后基于此模型，对于给定的输入 x利用贝叶斯定理求出后验概率最大的输出 y 。 
　　 
基于以上的解释，我们知道：

1. 该算法的理论核心是贝叶斯定理；

2. 它是基于条件独立性假设这个强假设之下的，这也是该算法为什么称为“朴素”的原因。

3.它的另一个假设是，每个特征同等重要

前言：在了解朴素贝叶斯的算法之前，我们需要对相关的统计学知识做一个回顾。

     监督学习的任务就是学习一个模型，应用这一模型，对给定的输入预测相应的输出。这个模型的一般形式为决策函数：或者条件概率分布：