西瓜书+实战+吴恩达机器学习（八）监督学习之朴素贝叶斯 Naive Bayes

如果这篇文章对你有一点小小的帮助，请给个关注，点个赞喔，我会非常开心的~

0. 前言

贝叶斯算法根据概率，选择概率最大的一类。

1. 朴素贝叶斯算法

朴素贝叶斯（naive Bayes）采用了属性条件独立性假设：对已知类别，假设所有属性相互独立。

$$P(c\mid x)=\frac{P(c)P(x\mid c)}{P(x)}=\frac{P(c)}{P(x)}\prod _{i=1}^{d}P(x_i\mid c)$$

• $P(c)$：类先验概率，表达了各类样本所占比例，根据大数定律，可通过频率估计概率
• $P(x\mid c)$：样本$x$相对于类别$c$的条件概率，根据假设，每个属性独立对结果影响
• $P(x)$：归一化证据因子，与类别标记无关

朴素贝叶斯的判定准则为：
h n b ( x ) = arg ⁡ max ⁡ c ∈ C P ( c ) ∏ i = 1 d P ( x i ∣ c ) h_{nb}(x)=\arg \max_{c\in C}P(c)\prod_{i=1}^dP(x_i\mid c) hnb​(x)=arg