分类算法——朴素贝叶斯

分类算法：
使用训练集（数据元组+对应类标号），选用某种分类算法进行监督学习，得到一个分类器；再使用和训练集没有重合的检验集来使用分类器分类，检验分类器的准确率。如果准确率可以接受，那这个分类器就可以用啦。

朴素贝叶斯分类法：
用途：给定一个元组，可以计算出这个元组最应该被分到哪个类。使用条件概率来度量“应该程度”
原理：利用贝叶斯公式算出以给定元组矢量值为条件，在训练集上计算出现类i的概率，能使这个条件概率取最大值的类i就是该元组应该被分到的类。
基于类条件独立性的假定+贝叶斯定理，因此名叫朴素+贝叶斯。
类条件独立性：假定一个数据的各个属性对分类标号的影响是相互独立的。（其实也就是每个属性的取值之间没有相关性。和统计学中的条件概率要求随机事件之间相互独立是一回事）
贝叶斯定理公式（也就是条件概率公式）：P(A|B)=P(B|A)*P(A)/P(B)
大白话版本：朴素贝叶斯分类法，其实是提供打了标签的历史数据（这里就是训练集），然后对一条未打标签的新数据，利用条件概率算算这条历史数据中这条新数据的取值条件下应该被打上每种标签的概率，哪个概率最高就打哪个。

一些脑中预定义的感知：
1、每个元组都是一个向量，提供了这一条数据在不同属性维度上的取值。
2、具体有多少种分类是已知的：就看