机器学习实战之朴素贝叶斯（一）理论

转载请注明作者和出处：https://blog.csdn.net/weixin_45814668
微信公众号：qiongjian0427
知乎：https://www.zhihu.com/people/qiongjian0427
Github代码获取：https://github.com/qiongjian/Machine-learning/
Python版本： Python3.x

KNN分类算法和决策树分类算法都是要求分类器做出确定的分类结果，但是，有时候分类器会产生错误；而朴素贝叶斯分类算法则是给出一个最优的猜测结果，同时给出猜测的概率估计值。

朴素一词是因为整个过程都是最原始最简单的假设。

朴素贝叶斯的优缺点

优点：数据少也有效，可以处理多类别问题。
缺点：对输入数据的准备方式较为敏感。
适用数据类型：标称型数据

贝叶斯决策理论

贝叶斯决策理论核心思想：选择具有最高概率的决策。
朴素贝叶斯就是贝叶斯决策理论的一部分。

假设这里有一个数据集，它的数据被分成了两类：类1和类2。