朴素贝叶斯分类(Naive Bayesian classification)及其python实现

朴素贝叶斯分类(Naive Bayesian classification)

贝叶斯分类是一类分类算法的总称，这类算法都以贝叶斯定理为基础，所以叫贝叶斯分类。而朴素贝叶斯模型（naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯常常用于文本分类，然而该方法对于英文等语言很好用，对中文就不是很好。

一. 朴素贝叶斯分类算法的优缺点以及应用场景：

1. 优点：在数据较少的情况下仍然有效，可以处理多类别问题；

2. 缺点：对于输入数据的准备方式比较敏感、由于朴素贝叶斯的“朴素”特点，所以会带来一些准确率上的损失、需要计算先验概率，分类决策存在错误率、朴素贝叶斯有分布独立的假设前提，而现实生活中这些很难是完全独立的；

3. 应用场景：文本分类、垃圾文本过滤、情感预测、多分类预测、推荐系统

二．朴素贝叶斯算法

1.条件概率公式：

2.全概率公式：

3.贝叶斯公式：