机器学习——朴素贝叶斯（NBC）

朴素贝叶斯分类（NBC）是机器学习中最基本的分类方法，是其他众多分类算法分类性能的对比基础，其他的算法在评价性能时都在NBC的基础上进行。同时，对于所有机器学习方法，到处都蕴含着Bayes统计的思想。
朴素贝叶斯基于贝叶斯地理和特征条件独立性假设，首先基于条件独立性假设学习输入$X$和输出$Y$的联合分布$P(X,Y)$，同时利用先验概率$P(Y)$，根据贝叶斯定理计算出后验概率$P(Y | X)$，找出每个类别的最大的后验概率即确定为相应的类别。算法实现简单，学习和预测的效率都很高，

基本定义

输入空间$R^n$为特征化的$n$维向量样本集合，输出空间为类别集合$Y=\{c_1, c_2, ... c_K\}$，$K$为类别数目。任意一个样本$X$可以表示如下：

$$X_i=\{x_i^{(1)}, x_i^{(2)}, x_i^{(3)}, ... ,x_i^{(n)}\}$$
每一个 $x_i^{(d)}$代表第 $i$个样本的第 $d$个特征分量的值， $d=1,2,3...n; n$为特征数目。
整个样本集可以表示如下：
$$T=\{(X_1,y_1),(X_2,y_2),...,(X_N,y_N)\}$$
其中 $N$为样本集中样本的数目。

模型

根据统计学中的大数定律，当样本量足够大时，样本的各个统计量，如 x¯=1