初识机器学习_04 朴素贝叶斯

　　基于概率论的分类方法

　　分类器有时会产生错误结果，于是这时可要求分类器给出一个最优类别猜测结果，同时给出这个猜测的概率估计值

　　

　　优点：数据较少仍然有效，可处理多类别问题

　　缺点: 对输入数据准备方式敏感

　　适用：标称型数据

　　核心思想：选择具有最高概率分布的决策（条件概率）：

　　                 P（A|B）=P（AB）/P（B）

　　　　　　　P（B|A）=P（AB）/P（A）

　　　　　　　P（A|B）P(B)=P(B|A)P(A)

　　例：

　　　　若P(C1|X,Y)>P(C2|X,Y),则（X，Y）属于C1类。

　　　　若P(C2|X,Y)>P(C1|X,Y),则（X，Y）属于C2类。

　　统计学：如果每个特征需要N个样本，那么对m个特征，需要N**m 个样本，但如果每个样本之间相互独立，则只需要 N*m个样本

　　朴素贝叶斯假设：1 每个特征同等重要 2 每个特征出现的可能性与其他特征不相关。