机器学习：贝叶斯分类器详解（一）-贝叶斯决策理论与朴素贝叶斯

目录

前言

一、条件概率

二、乘法定律

三、全概率公式

四、贝叶斯公式

五、先验概率和后验概率

对于贝叶斯分类：

六、朴素贝叶斯分类

工作过程：

总结

---

---

前言

最近在学习这本书《机器学习实战》。本书第四章的内容为基于概率论的分类方法，在经过几天的学习之中，发现要了解贝叶斯算法以及深层度了解其原理要比之前KNN算法和决策树算法要难一点，所以我没有那么着急更新下篇。先把要细致了解贝叶斯的算法的前提理论弄明白才能更好掌握使用贝叶斯分类器。因为本人之前学过概率论，但我这篇文章将化整为零，详细了解贝叶斯算法。

当然初入一些算法和机器学习的一些库还不是很熟练掌握，有待提升自己的编程结合能力。在此领域本人有诸多不明确疑问，可能文章会有些许错误，望大家在评论区指正，本篇文章错误将会不断更正维护。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、条件概率

就是事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为P(A|B)，读作“在B条件下A的概率”。

若是全集，A，B是其中的事件（子集），P表示事件发生的概率，则