对朴素贝叶斯法后验概率最大化含义的一些思考

看李航的《统计学习方法》朴素贝叶斯章节中4.1.2后验概率对大化的含义时，对这里的理解有些困扰，参考另一篇博客在这里写下自己对这一个问题的个人见解，烦请指正。

                                           

如上图所示，书中从期望风险函数直接跳到条件取值期望，这里的推导过程如下：

在这里，设:

那么上式可以改为:

对于上式的期望风险求最小化，可以发现这是一个积分，积分中的中的各项以及都大于0，所以积分过程中不存在积分域内的两块积分相减的情况，因此求最小值就是求的最小值。对于任意的一个，为常数，那么最小值一定是在取最小值的时候取到。因此对期望风险函数的求解可以转为所谓的求条件期望的最小值：

对于离散型随机变量，可以变换为：

(这是我对这里的理解，书写方式和书中不一致，不知是否有错误，烦请指正)

在书中还有一句就是对逐个极小化，还是由于和都是大于0的，那么要求的最小化就要使其中的每一项取最小值。

随后的化简过程就比较简单了，这里不再赘述。

参考博客：

https://blog.csdn.net/rea_utopia/article/details/78881415