4.3.1有监督学习（六） - 朴素贝叶斯分类（Naive Bayesian Classifier）

简介

贝叶斯分类方法是与有监督学习中的最直观简单的方法。贝叶斯分类器缘起于贝叶斯定理，在定理的基础上发展为了朴素贝叶斯分类法（Naive Bayesian Classification）。朴素贝叶斯分类方法的好处在于简单直接，它一般用于概率推理与决策，即在信息不全的时候，通过观察随机变量，推断不可观察的随机变量。

一句话解释版本：

贝叶斯分类是利用概率论作为基础推断不可观测变量的类别，其基础原理是贝叶斯定理，后续还发展出了贝叶斯网络。

 

数据分析与挖掘体系位置

贝叶斯分类器是有监督学习中的一种模型。所以在数据分析与数据挖掘中的位置如下图所示。

 

贝叶斯定理

朴素贝叶斯、贝式网络、贝叶斯分类器，这些词汇与背后算法的理论基础都是贝叶斯定理。

贝叶斯理论是通过历史的经验来判断新的事物所具有的特征。为什么贝叶斯理论应用很广呢？举个例子说吧，你如果知道一个人感冒了，你很容易推测她咳嗽的概率。但是，如果你知道一个人咳嗽，让你反过来推测她得的病是感冒的概率，则会相对困难。而贝叶斯理论正是在解决这个问题。

首先，我们把一个人咳嗽称为事件A，把一个人感冒称为事件B。

那么，贝叶斯公式就是：

其中，

• P(A|B)被称为条件概率，