机器学习实战（三）朴素贝叶斯NB（Naive Bayes）

目录

0. 前言

1. 条件概率

2. 朴素贝叶斯（Naive Bayes）

3. 朴素贝叶斯应用于文本分类

4. 实战案例

4.1. 垃圾邮件分类案例

---

学习完机器学习实战的朴素贝叶斯，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。

所有代码和数据可以访问 我的 github

如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~

0. 前言

贝叶斯算法，是一类基于概率论的分类方法。朴素贝叶斯（Naive Bayes），是采取了贝叶斯最原始、最简单的假设的算法。

朴素贝叶斯算法给出实例属于各个类别的概率，然后选择概率最大的一类。贝叶斯决策理论的核心思想是选择具有最高概率的决策。

• 优点：在数据较少的情况下，仍然十分有效果
• 缺点：对于输入数据的准备方式比较敏感
• 适用数据类型：标称型数据

朴素贝叶斯假设：

1. 所有特征都是独立的（即每个特征出现的可能性与其他特征无关）
2. 每个特征都是同等重要的

1. 条件概率

 称为事件  的概率。 称为在事件  发生的情况下，事件  的概率，这就是条件概率。根据概率论，给出以下的定义：

为了计算  ，我们可以设法通过计算  来得到。

2. 朴素贝叶斯（Naive Bayes）

假设类别为  ，测试样本为  ，要计算