Python机器学习分类算法（一）-- 朴素贝叶斯分类（Naive Bayes Classifier）

简要描述

        朴素贝叶斯分类器（Naive Bayes Classifier）是一种基于贝叶斯定理与特征条件独立假设的分类方法。它之所以被称为“朴素”，是因为它假设输入特征（在特征向量中）是独立的，即一个特征的出现不依赖于其他特征的出现。这个假设在实际应用中通常不成立，但在很多情况下，朴素贝叶斯分类器仍然可以取得很好的效果。

工作原理

贝叶斯定理：

        给定一个类别 (y) 和一个特征向量 (x_1, x_2, ..., x_n)，贝叶斯定理表示条件概率 (P(y|x_1, x_2, ..., x_n)) 可以通过以下方式计算：

                [ P(y|x_1, x_2, ..., x_n) = \frac{P(y)P(x_1, x_2, ..., x_n|y)}{P(x_1, x_2, ..., x_n)} ]

其中：

• (P(y)) 是类别 (y) 的先验概率。
• (P(x_1, x_2, ..., x_n|y)) 是给定类别 (y) 下特征向量 (x_1, x_2, ..., x_n) 的条件概率。
• (P(x_1, x_2, ..., x_n)) 是特征向量的先验概率，通常被视为常数，因为给定数据集中的样本都已经被观测到。

朴素贝叶斯的假设：

        朴素贝叶斯假设特征之间是条件独立的，即：

                   [ P(x_1, x_2, ..., x_n|y) = P(x_1|y)P(x_2|y) \cdots P(x_n|y) ]

        这个假设大大简化了计算，因为我们可以单独计