有研究表明,直接学习贝叶斯最优分类器,就等同于学习贝叶斯网是一个NP难问题。对于这个NP难问题,如果引入属性条件独立假设,即在给定类标记的前提下,所有的属性变量完全相互独立,那么贝叶斯最优分类器的分类公式中,给定类标记c时属性值组合a1,a2,...,am联合发生的概率,就可以简化为给定类标记c时,单个属性值ai发生的概率,对所有的属性值累积。也就是,给定c时a1,a2,...,am的概率等于给定c时a1的概率乘以给定c时a2的概率,一直乘到给定c时am的概率。将上面的等式代入贝叶斯最优分类器的分类公式,就可得到朴素贝叶斯分类器的分类公式。如果只关心朴素贝叶斯分类器的分类结果,而不考虑它所预测的真实类成员概率,就可以将朴素贝叶斯分类器的分类公式中等式右侧的分母去掉,使等式得到简化。具体的公式如下:
![448141d3ac5d95053fada3e7746f9881.png](https://i-blog.csdnimg.cn/blog_migrate/c1920b0e4434c1c7c568051d3bedee77.jpeg)
还有两个重要的问题就是求分类公式中的各个概率值P(c)和给定c的情况下,ai的概率估算问题。因此,给定的已知类标记的训练样例集就会起到作用了。因为由给定的训练样本集来估计各个概率值P(c)和给定c的情况下,ai的概率估算问题是非常容易且高效的事情。具体的计算公式分别如下:
![02f43d050377dc7b2857d95ff0a6508d.png](https://i-blog.csdnimg.cn/blog_migrate/145d7fef09d73e69333b7244af694628.jpeg)