朴素贝叶斯(NaïveBayes)

• Author: Silly_0903;
• Datawhale

NaïveBayes简介

基于贝叶斯方法，通过先验概率，计算并选择最大的后验概率。

核心公式

$$P(Y|X)=\frac{P(X|Y)P(Y)}{P(X)}$$
其中:
P(Y)为先验概率(prior);
P(X|Y)为在样本为Y的前提下，X的条件概率是(likelihood);
P(X)是证据因子(evidence);
P(Y|X)是后验概率(posterior)。

1. 离散的概率模型：
   $P(Y|X_1,\dots ,X_i)$,其中类别变量Y，依赖于特征变量$X_1,X_2,\dots ,X_i$, 修改模型为:
   P ( Y ∣ X 1 , . . , X i ) = P ( X 1 , . . , X i ) P ( Y ) P ( X 1 , . . . , X i ) P(Y|X_1,..,X_i)=\frac{P(X_1,..,X_i)P(Y)}{P(X_1,...,X_i)} P(Y∣X1​,..,Xi​)=P(X1​,...,Xi​)P(X