朴素贝叶斯分类器与贝叶斯估计

一. 朴素贝叶斯分类器

朴素贝叶斯分类器是机器学习中一个简单的有监督学习的分类模型，其基本原理为根据贝叶斯公式计算数据类别的后验概率，选择后验概率最大的类别作为该数据类别的预测值。

训练数据：m个数据($\vec{x}$,$y$)，其中$\vec{x}$为$d$维向量$\vec{x}=(x_1,x_2,x_3...x_d)$，$y$为$\vec{x}$所属类别,其中$y\in\{c_1,c_2,c_3...c_n\}$代表一共有$n$个类别。

训练目的：根据给定数据，训练出分类器，使之能预测新的数据$\vec{x}$所属类别$y$。

根据贝叶斯决策论，对于需要分类的样本$\vec{x}$，选择能使其后验概率 P(c|x</