机器学习：贝叶斯分类器，朴素贝叶斯，拉普拉斯平滑

数学基础：

数学基础是贝叶斯决策论Bayesian DecisionTheory,和传统统计学概率定义不同。

频率学派认为频率是是自然属性，客观存在的。

贝叶斯学派，从观察这出发，事物的客观随机性只是观察者不知道结果，也就是观察者的知识不完备，对于知情者而言，事物没有随机性，随机性的根源不是来源于事物，而是来自于观察者对事物的只是状态。

从这个角度而言，贝叶斯学派是唯心主义，频率学派是唯物主义。

贝叶斯决策论Bayesian DecisionTheory

贝叶斯决策是在某个先验分布下使得平均风险最小得决策。

参数估计

分为极大似然估计（Maximum Likelihood Estimate）和极大后验概率估计（Maximum a posteriori estimation）

极大似然估计（Maximum Likelihood Estimate），使所有得样本发生得概率最大，这个不考虑先验概率得影响，属于频率派得做法.

$${\theta }^{\ast }=argma{x}_{\theta }\prod _{i=1}^{N}p(x_i|\theta )$$

极大后验概率估计（Maximum a posteriori estimation），为贝叶斯学派得做法，加入了后验概率概念，p($\theta$|X)为参数$\theta$在样本X下得真实得出现概率，p($\theta$)为先验概率。

$${\theta }_{MAP}=argma{x}_{\theta }[lnp(\theta )+\prod _{i=1}^{N}p(x_i|\theta )]$$

可以看出极大后验概率多了一个lnp($\theta )$,也就是增加了先验。

朴素贝叶斯（Naive Bayes)

分为2个部分：朴素对应着独立性假设，每个样本都认为是相互独立得，贝叶斯对应着后验概率最大化。

贝叶斯估计在估计参数时使用了极大似然估计获取先验概率，做决策时使用得时MAP估计。

算法描述如下：

简单理解（X—>Y): 通过训练集数据，先计算出Y得分布概率，这个就是计算先验概率，然后计算条件概率，也就是在已知分类Y得情况下为$X^{(j)}$的概率，就是X的某个属性的概率，根据先验概率和条件概率，可以求出$x^{\ast }$的发生概率，在哪种分类y=$c_k$下的概率最大,$x^{\ast }$就是哪种分类。

以下是西瓜书的描述，参考一下：

我们需要求的是使之最大的y=$c_k$,也就是哪个分类使之最大：

分为2步：

使用ML估计导出模型的具体参数：先验概率，条件概率
使用MAP估计作为模型的决策，输出使后验概率最大化的类别。

拉普拉斯平滑

当$\lambda$为0时极大似然估计，$\lambda$为1为拉普拉斯平滑，K为x的第k个属性可能的取值数目

    # 核心数组，记录第i类数据的个数，cat为category
    self._cat_counter = None
    # 定义计算先验概率的函数，lb为各个估计中的平滑项lamda
    # lb的默认值为1，也就是默认使用拉普拉斯平滑
    def get_prior_probability(self,lb =1):
        return [(_c_num + lb) / (len(self._y) + lb*len(self._cat_counter)) for _c_num in self._cat_counter]