贝叶斯分类器基本理解

基于贝叶斯分类器的分类问题主要是要求得：对于任一样本X，选择能够使得后验概率最大的类标记。一般，后验概率难以直接获得，可以通过条件概率的公式对后验概率进行一个转换：，对于给定样本p(X)与类标记无关，因此只需要基于训练数据集估计。其中，是先验概率，是类条件概率。由于类条件概率涉及到多个属性的联合分布，难以从有限的训练样本中得到，故在朴素贝叶斯分类器中假设“各属性条件独立”，则。到这里，可以得出，由最初的求max   转变为求max , 故现在只需根据已有的数据集求出各类别的概率，以及相应类别下的各属性的类条件概率函数, 在求类条件概率时，假设它们服从某一参数分布，例如常用的高斯分布，从而求出相应的参数，求出先验概率和类条件概率之后，对于任意给定的测试样本X, 都可以将其属性值带入

，比较在哪个类别下的概率最大，该样本X就属于哪一类。