朴素贝叶斯模型（NAIVE BAYESIAN MODEL)

朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。

 

数学基础公式知识总结：

先验概率P(A)：在不考虑任何情况下，A事件发生的概率

条件概率P(B|A)：A事件发生的情况下，B事件发生的概率
后验概率P(A|B)：在B事件发生之后，对A事件发生的概率的重新评估

全概率：如果A和A ' 构成样本空间的一个划分，那么事件B的概率为：A和A ' 的概
率分别乘以B对这两个事件的概率之和。

基于条件概率的贝叶斯定律数学公式：

算法原理：

朴素贝叶斯(Naive Bayes， NB)是基于“特征之间是独立的”这一朴素假设，应用贝叶斯定理的监督学习算法
对应给定的样本X的特征向量x 1 ,x 2 ,...,x m ；该样本X的类别y的概率可以由贝叶斯公式得到