sklearn朴素贝叶斯分类器_机器学习：贝叶斯学习之朴素贝叶斯分类器

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：

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：