朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化,即假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重,也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果,但是在实际的应用场景中,极大地简化了贝叶斯方法的复杂性。
数学基础公式知识总结:
先验概率P(A):在不考虑任何情况下,A事件发生的概率
条件概率P(B|A):A事件发生的情况下,B事件发生的概率
后验概率P(A|B):在B事件发生之后,对A事件发生的概率的重新评估
全概率:如果A和A ' 构成样本空间的一个划分,那么事件B的概率为:A和A ' 的概
率分别乘以B对这两个事件的概率之和。
基于条件概率的贝叶斯定律数学公式:
算法原理:
朴素贝叶斯(Naive Bayes