朴素贝叶斯机器学习java_机器学习算法：朴素贝叶斯

朴素贝叶斯(Naive Bayes)算法的核心思想是：分别计算给定样本属于每个分类的概率，然后挑选概率最高的作为猜测结果。

假定样本有2个特征x和y，则其属于分类1的概率记作p(C1|x,y)，它的值无法直接分析训练样本得出，需要利用公式间接求得。

其中p(Ci)表示训练样本中分类为Ci的概率，它等于Ci样本数除以样本总数。

p(x,y)表示满足2个特征的样本概率，它等于第1特征等于x且第2特征等于y的样本数除以样本总数。可以发现p(x,y)与当前在计算哪个分类概率是无关的，因此实际计算中可以忽略它，不会影响结果。

p(x,y|Ci)表示Ci分类中满足2个特征的样本概率，在朴素贝叶斯算法中，认为x与y是相互独立的，因此p(x,y|Ci)=p(x|Ci)*p(y|Ci)，其中p(x|Ci)表示Ci分类的样本中第1个特征等于x的概率。

上面的例子中只给定了2维的情况，实际可以扩展到N维，由于假定各特征相互独立，因此p(w|Ci)总是可以分解求得的。

上C#代码：using System;

using System.Collections.Generic;

using System.Linq;

namespace MachineLearning

{

/// 

/// 朴素贝叶斯

/// 

p