【机器学习】朴素贝叶斯

概率和似然的区别：https://blog.csdn.net/songyu0120/article/details/85059149

极大似然估计：https://zhuanlan.zhihu.com/p/26614750

极大似然估计中采样需满足一个重要的假设，就是所有的采样都是独立同分布的

详解最大似然估计（MLE）、最大后验概率估计（MAP），以及贝叶斯公式的理解：
https://blog.csdn.net/u011508640/article/details/72815981

贝叶斯估计、最大似然估计、最大后验概率估计（概念更加齐全）:
https://www.jianshu.com/p/9c153d82ba2d

贝叶斯分类器

朴素贝叶斯

垃圾邮件分类：
建立两个BoW（Bag of Word），正常邮件词袋，垃圾邮件词袋。计算词袋内部词语的概率Pw。
计算出现正常邮件和垃圾邮件的概率Pn和Ps
对于某一句话进行估计，计算其是正常邮件和垃圾邮件分别的概率。
Ppredict_normal = Pn x Pwi_in_normal （Pwi_in_normal指的是这句话中所有词语在正常邮件词袋中的概率相乘）
Ppredict_spam = Ps x Pwi_in_spam