统计学习方法(第二版) 第四章 朴素贝叶斯

本章主要介绍朴素贝叶斯法,包括朴素贝叶斯的学习与分类,朴素贝叶斯法的参数估计算法.

---

前言

朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类法,对于给定的训练数据集,首先基于特征条件独立假设学习输入输出的联合概率分布;然后基于此模型,对于给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯实现简单，学习与预测的效率都很高，是一种常用的方法。

---

一、朴素贝叶斯法的学习分类

二、朴素贝叶斯的参数估计

就是根据公式找后验概率最大的参数，这里的参数其实就是结果标签。

三、例题

根据题目更好理解。

四、贝叶斯估计

贝叶斯估计：我们刚刚通过极大似然估计的思想计算概率，但现实可能样本量不够或者就是丢失了，导致我们在通过极大似然估计可能会得到概率为0，这就会影响到后验概率计算的结果，使分类产生偏差。

五、例题

就是换了个公式算本质都一样。

---

总结

这节我将书上的截屏添加了注释，方便理解，要不然文字解释完，还得看公式都不知道说的是什么了。后续将前面的书上的截图添加注释方便理解。

这节的对我来说概率论差的人还是有点难度的，但还可以，后续补补概率论，要不公式都看不懂。