贝叶斯公式在机器学习中有什么用，实例讲解Python实现朴素贝叶斯分类器

贝叶斯公式=贝叶斯定理

贝叶斯公式到底想说啥

贝叶斯公式就是想用概率数学来表示事件发生依赖关系。
贝叶斯公式长下面这样：

用图形怎么表示贝叶斯公式

$P(X=x)$就是X的面积。
$P(Y=y)$就是Y的面积。
$P(X=x|Y=y)$是什么？$P(X=x|Y=y)$是指Y发生的情况下X发生的概率。用图形表示就是，只看Y的情况下Y里面的X占比多少。这不就是相交部分除以Y的面积么？相交部分计算方式=X的面积*相交部分占X的比率。
再看看前面的公式就完全能理解了。

朴素贝叶斯分类器

任何机器学习都是要套一个数学模型。那朴素贝叶斯分类器套的是什么模型呢？
它是想计算一个概率值。什么概率呢？就是当样本为x时，这个样本来自类A的概率是多少，来自类B的概率是多少。如果来自类A的概率>来自类B的概率。那就分类器输出样本属于类A。
用公式表示就是P(A|x)>P(B|x)=》x属于A .其中P(A|x)表示当样本取值是x时它来自类A的概率，P(B|x)表示当样本取值是x时它来自类B的概率。
这样咋看好像很有道理的样子。那么问题来了，我咋知道样本x属于A和B的概率，要我知道了那还用分嘛？

接下来看，如何计算样本取值为x时属于A的概率P(A|x)、和属于B的概率P(B|x)（下面一段话很重要一定要仔细看，没弄懂不要往后看）

根据贝叶斯公式我们知道$P(A|x)=\frac{P(x|A)\ast P(A)}{P(x)}$。其中P(A)表类A占比总数据中的比例。P(x)是指样本值等于x的数据占总数据的比例。P(x|A)表示在类A中，有多少个和x一样的数据。这三个概率我们都是知道的。那么或许你会问前面只有一个特征，那两个特征的样本怎么计算概率？答：假设一个样本有两个特征x,y。那么$P(x,y)=P(x)\ast P(y)，P(x,y|A)=$