2.朴素贝叶斯Naive Bayes

1.思想简介和实例

http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html

2.适用情况和评价

朴素贝叶斯分类器（NBC）基于一个简单的假定：给定目标值时属性之间相互条件独立。

所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。

对小规模的数据表现很好，适合多分类任务，适合增量式训练。

对输入数据的表达形式很敏感。

在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。但这点有待验证，因为具体的问题不同，算法得出的结果不同，同一个算法对于同一个问题，只要模式发生变化，也存在不同的识别性能。这点在很多国外论文中已经得到公认，在机器学习一书中也提到过算法对于属性的识别情况决定于很多因素，例如训练样本和测试样本的比例影响算法的性能。

3.用python实现贝叶斯分类器

http://python.jobbole.com/81019/?f=geek