这一章节需要一些概率论的学习基础,学过概率论的朋友会很容易理解。
朴素贝叶斯法是基于贝叶斯定理 与特征条件独立假设的分类方法,是一种典型的生成学习方法。生成方法由训练数据学习联合概率分布P(X,Y),然后球的后验概率分布P(Y|X)。具体来说,利用训练数据学习P(X|Y)和P(Y)的估计,得到联合概率分布:P(X,Y)=P(Y)P(X|Y)。
朴素贝叶斯的基本假设:条件独立性
条件独立性假设事说用于分类的特征在类确定的条件下都是条件独立的,这是一个较强的假设。由于这一假设,模型包含的条件概率的数量大为减少,朴素贝叶斯的学习与预测大为简化。因而朴素贝叶斯法搞笑,且易于实现。其缺点是分类的性能不一定很高。
朴素贝叶斯法学习的基本方法
后验概率最大化的含义:
朴素贝叶斯的参数估计
极大似然估计
例题帮助理解 :
贝叶斯估计
例题帮助理解 :