朴素贝叶斯

首先是“朴素”一词，代表的是假设各特征之间相互独立，互不影响，虽然如此，其实际表现也较为不错。

其原理大致如下：
假设一个二分类问题，评价一个女生漂亮与否，主要有如下指标：长发与否，身高高矮，体型胖瘦，给出一个合适的数据集

现在有这样一个女生，高，长发，瘦，判断这个女孩是否漂亮，即求

P（漂亮|高，长发，瘦） = （P（高，长发，瘦|漂亮） *  P（漂亮））  /  P（高，长发，瘦）
P（不漂亮|高，长发，瘦） = （P（高，长发，瘦|漂亮） *  P（不漂亮））  /  P（高，长发，瘦）

较大概率者即为其分类，其分母都是相同的，所以只需要比较分析大小。

由于已经假设各特征相互独立、各不影响，故分子可简化为如下形式：
P（漂亮） * P（高|漂亮） * P（长发|漂亮） * P（瘦|漂亮）

argmax一下即得到结果

判别结果就不用我多说了吧！

还有一点就是会产生概率为0的点 ，为了避免出现这种情况，使用贝叶斯估计，通常参数为1，即拉普拉斯平滑什么什么的，这地方还没理解，后边再补