简洁明了的搭建 NB朴素贝叶斯 仅公式无推导

网上关于机器学习算法的讲解很多，不过推导过程可能比较繁琐，结论比较隐蔽。为了能够让c/c++的初学者通过代码简单的实现、加深理解，所以本文章简单的总结出结论，尽量减少推导过程。并且将各个变量的范围、意义做出解释。

我目前大学本科在读，非人工智能专业，第一次接触机器学习，本文章仅是我的学习记录和总结，所有的处理方式都不一定是最正确的。但是致力于让只学完c\c++基本语法的人也能实现该算法。

不知道怎么处理数据、得到“输入”的请看我的文章：《机器学习数据的预处理》（如果找不到说明我还没写）。

另外，我会尽可能多打括号，防止各位对到底对什么求和感到困惑，变量也用x[a]而非表示，便于直接写成代码。

首先：

该算法的输入是离散的，连续的数据需要在预处理过程中处理成离散的。不需要“标准化”或“归一化”。

如图所示，可以简单的得到当然，如果有多个输入且每个输入有多种可能的情况，也可以通过下面的方法计算。

在了解下方的变量前，请确认：

1. 你有非常多的样本（即多组输入）

2. 你的每个样本（即每组输入）有一个或多个输入的值。

3. 你的每个输入的值（可能原本是连续的或离散的）已经被处理成离散的。换而言之每个输入的值只有有限种可能，而且种类可知，比如二分只有2种可能，0或1。

图中未标记任何变量，所有可能需要的变量如下：

1. i_num，你有的样本的个数。显然是整型

2. i_width，每个样本，输入的值的个数。显然是整型

3. i_depth[a]，每个样本，第a个输入的值，可能的取值的数量。如果所有的值都是二分，就不需要这个变量。显然是整型

4. i[a][b]，第a个样本，第b个值的取值。是整型

5. o_depth，每个样本，答案可能的取值的数量。如果答案的值是二分，就不需要这个变量。显然是整型

6. o[a]，第a个样本对应的答案。是整型

7. Po[a]，样本中答案为a的概率。是浮点型

8. Pio[a][b][c]，答案值为c时，第a个输入值为b的概率，即P{输入[a]=b|输出=c}。是浮点型

9. Poi[a][b][c]，第b个输入为c时，答案值为a的相对概率，即K * P{输出=c|输入[a]=b}，是浮点型

学习：

1. 拷贝所有样本的输入到i中，拷贝所有样本的答案到o中。

2. 根据样本计算所有Po、Pio、Poi

        

        

        

        (c\c++，计算概率只需要该情况数简单求和，再除总数即可，实在太简单不再多做介绍，另外，，而可以当常数约去，不影响最后的大小比较，所以称Poi为相对概率，并非真实概率)

测试或使用：

学习结束后，只需保存Poi，即保存了学习结果，当然学习的样本与测试、使用的样本应该有相同的i_width、i_depth与o_depth（忘了这几个变量的含义看上方变量的意义）。

这里定义2个临时变量：

1. input[a]，测试的一个样本中，第a个值的取值

2. tempP[a]，根据input与Poi所得出，答案为a的相对概率。

然后

1. 拷贝输入的样本到input

2. 计算tempP：

        

3. 找到最大的tempP，其下标即为输出的答案。

最后：

写的比较匆忙，很多地方没有检查，我本人学习这些算法的时间也很短，如果存在任何问题，有任何意见或建议欢迎指出，我会马上进行更正。

另外，要深入理解一种算法，其具体原理和推导过程也是需要学习的。网上有太多这方面的文章，在这就不做详细解释。

谢谢。