朴素贝叶斯

1.朴素贝叶斯

注：朴素贝叶斯和贝叶斯法不是同一个概念

朴素贝叶斯法是基于朴素贝叶斯定理和条件独立性假设的方法。对于给定数据集，先基于特征条件独立假设学习输入/输出的联合分布。然后基于这个模型，求出给定的输入x的后验概率最大的输出y。

定义：设输入空间$\chi \subseteq R^{n}$为n维向量的集合，输出空间为类标记集合$\gamma$= { $c_{1},c_{2},\cdots,c_{k}$}。X是定义在输入空间$\chi$上的随机变量，Y是定义在输出空间$\gamma$上的随机变量。P(X,Y)是X和Y的联合概率分布，训练数据集T={ $(x_{1},y_{1}),(x_{2},y_{2}),\cdots,(x_{N},y_{N})$}由P(X,Y)独立同分布产生。

朴素贝叶斯法通过训练集学习到联合概率分布P(X,Y)。想要学习到联合概率分布，我们需要先知道先验概率分布和条件概率分布。先验概率分布为

$$P(Y=c_{k}),k=1,2,\cdots,K$$ 条件概率分布为 $$P(X=x|Y=c_{k})=P(X^{(1)}=x^{(1)},\cdots,X^{(n)}=x^{(n)}|Y=c_{k}),k=1,2,\cdots,K$$ 于是我们可以得到联合概率分布。

朴素贝叶斯法提出了条件独立性的假设。具体的，条件独立性假设为

P(X=x|Y=ck)=P(X(1)=x(1),⋯,X(n)=x(n)|Y=ck)=∏</