最大后验概率_贝叶斯决策论（后验概率最大化）的问题

在看待解决一分类问题时候，在相关概率已知的条件下，贝叶斯决策论考虑如何基于这些概率把（期望损失）风险 降到最低，从而得到最优的类别标记，即 期望风险最小化。

假设由

种可能的类别标记为

，

是一个将真实标记为

误分类为

所产生的损失，则基于后验概率

可得到将样本分类为

的风险，即在样本上面的条件风险，可表示为：

显然

时分类正确，风险为0，如若分类错误则在风险会随后验概率

的变化而变化，即基于后验概率

预测错误类别的概率越大风险越大。

以上为样本

一条样本产生的风险，

表示总体样本集合，则总体风险可表示为：

显然我们如果能最小化条件风险，则总体风险自然也将最小化，下面是

样本期望风险最小化过程：

以上我么由 期望风险最小化 进而得出 后验概率最大化准则，这就是朴素贝叶斯法所采用的原理。即我们只需要去求：

即可求得最优的类别标记。

---

朴素贝叶斯详细内容可参考：https://blog.csdn.net/H_hei/article/details/84327975

仅为个人的浅显理解，欢迎大家指正交流。