【自由探索】朴素贝叶斯分类

原理：计算输入为X时（X为向量），属于C1 C2....Ck分类的概率为P1 P2.....Pk，其中若概率最大的为Pi， 则对应的Ci最有可能是X应该划分到的类别。

至于详细内容， 算法杂货铺------分类算法之朴素贝叶斯分类(Naive Bayesian classification)已经讲述得比较详细，也通俗易懂，就不赘述了。

请看完上文，再看下面的话：

实现起来， 其实也就是通过原先对训练数据的“统计”出来的结果，例如P（X1=x1 | C1）在结果为C1类的数据中，第一个X1为x1的概率（可以统计出来），将X1、X2....Xn的当前值代入， 计算P(C=Ci)P(X1=x1|Ci)P(X2=x2|Ci)...P(Xn=xn|Ci)。

如果你问我，上式右边的意思是求当X=x的时候(X1=x1，X2=x2...）分类为Ci的概率嘛   那为什么不直接求 P(C=Ci)*P（X1=x1,X2=x2....Xn=xn|Ci)呢?

其实，上面的式子的意思就是下面式子， 不过下面式子算出来的概率不准确， 训练样本数量远小于所需样本数量（不知到可否估算出至少需要多少样本，ERM一致收敛?不过可以确定的是，很难达到） 而我们这里就是使用概率的方法，因为统计单个单个的概率比笼统起来的 在所需样本数目的数量级上是要低很多的，因为“概率恒定？”，而且得出来的结果是比较接近真实值的