目录
2.1.1.3朴素贝叶斯
1、模型介绍
(1)朴素贝叶斯的定义
朴素贝叶斯是一个非常简单,但是实用性很强的分类模型。不过,和两个基于线性假设的模型(线性分类器和支持向量机分类器)不同,朴素贝叶斯分类器的构造基础是贝叶斯理论。
朴素贝叶斯分类器会单独考量每一维度特征被分类的条件概率,进而综合这些概率并对其所在的特征向量做出分类预测。因此,这个模型的基本数学假设是:各个维度上的特征被分类的条件概率之间是相互独立的。
(2)朴素贝叶斯模型
如果采用概率模型来表述,则定义为某一n维特征向量,为该特征向量x所有k种可能的类别,记为特征向量x属于类别的概率。根据式(9)的贝叶斯原理:
目标是寻找所有中最大的,即;并且考虑到对于同一样本都是相同的,因此可以忽略不计。所以,