前沿：学习过概率的人一定知道贝叶斯定理，在信息领域内有着无与伦比的地位。贝叶斯算法是基于贝叶斯定理的一类算法，主要用来解决分类和回归问题。
人工智能之机器学习中最为广泛的两种分类模型是1）决策树模型（Decision Tree Model）和2） 朴素贝叶斯模型（Naive Bayesian Model）。决策树DT已经讲过，请参见之前有关文章。
今天我们重点探讨一下朴素贝叶斯（NB），注意这里NB不是牛X， 而是Naive Bayesian。 ＾＿＾
朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。朴素贝叶斯原理简单，也很容易实现，多用于文本分类、垃圾邮件过滤、情感分析等。
英国数学家托马斯·贝叶斯（Thomas Bayes）在1763年发表的一篇论文中，首先提出了贝叶斯定理。
贝叶斯定理的应用需要大量的计算，因此历史上很长一段时间，无法得到广泛应用。只有计算机诞生以后，它才获得真正的重视。人们发现，许多统计量是无法事先进行客观判断的，而互联网时代出现的大型数据集，再加上高速运算能力，为验证这些统计量提供了方便，也为应用贝叶斯定理创造了条件，它的威力正在日益显现。
概念和定义：
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器NBC （NaiveBayes Classifier）发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。朴素贝叶斯分类器（NBC）模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。
贝叶斯分类是一系列分类算法总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。
理论基础：
朴素贝叶斯最核心的部分是贝叶斯法则，而贝叶斯法则的基石是条件概率。贝叶斯法则如下：
这里的C表示类别，输入待判断数据，式子给出要求解的某一类的概率。
朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。
朴素贝叶斯分类器模型：
Vmap＝arg maxP（ Vj ｜ a1，a2．．．an） Vj属于V集合，其中Vmap是给定一个example，得到的最可能的目标值。其中a1．．．an是这个example里面的属性。Vmap目标值，就是后面计算得出的概率最大的一个。所以用max来表示。
贝叶斯公式应用到 P（ Vj ｜ a1，a2．．．an）中。可得到 Vmap＝ arg max P（a1，a2．．．an ｜ Vj ） P（ Vj ） ／ P（a1，a2．．．an）。又因为朴素贝叶斯分类器默认a1．．．an互相独立。所以P（a1，a2．．．an）对于结果没有用处。可得到Vmap＝ arg max P（a1，a2．．．an ｜ Vj ） P（ Vj ）。
＂朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。换言之。该假定说明给定实例的目标值情况下。观察到联合的a1，a2．．．an的概率正好是对每个单独属性的概率乘积：P（a1，a2．．．an ｜ Vj ） ＝Πi P（ai｜ Vj ）
因此，朴素贝叶斯分类器模型：Vnb＝arg max P（ Vj ） Π iP （ ai ｜ Vj ）
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
