![a38dc792877322648f295facd1a74dd9.png](https://i-blog.csdnimg.cn/blog_migrate/d8a12942069e61be3a9b28e76aa52854.jpeg)
1.1 模型简介
朴素贝叶斯法(naive Bayes)是一种基于贝叶斯定理和特征条件独立的分类算法.它的实现较为简单且学习预测的效率也很高, 所以是实际中应用非常广泛的一类模型.
![4723091761cd829e67639b79681a2453.png](https://i-blog.csdnimg.cn/blog_migrate/289fa8d86e7b410eb320be2f33a80a8c.jpeg)
1.2 基本假设
1.2.1 联合概率分布
在朴素贝叶斯法中, 假设输入空间
算法中使用的
假设训练集
1.2.2 条件独立性
朴素贝叶斯的核心即是计算
先验分布
条件概率分布
但是条件概率分布有指数级的参数, 假设每一个维度
所以在朴素贝叶斯法中, 一个重要的假设就是条件独立性, 每一维度的分布是独立于其他维度的, 即
1.2.3 后验概率最大化
朴素贝叶斯法的分类原则是选取后验概率最大的类别, 即给定当前数据点