朴素贝叶斯分类理解

朴素贝叶斯分类算法源于贝叶斯定理。

贝叶斯定理：P（AB）=P（A|B）P（B）=P（B|A）P（A），也即P（A|B）=P（B|A）P（A）/P（B）

贝叶斯定理的本质：两种条件概率的标书，结果相等。

先验概率：袋子里10个字母，6个A，4个B，问抓到A的概率P（A），显然P（A）=0.6。

后验概率：即条件概率，袋子里10个字母，抓了10次，6次都是A，问袋子里有几个A。

朴素贝叶斯算法可解决的问题：根据观测的现象、属性等来预测分类。即根据样本数据得到一个分类器，来进行后续预测。

举例：

有一组观测数据如下：

性别（G）	体重（W）	身高（H）	肤色（C）
男	重	高	黑
男	重	高	白
男	重	高	黑
男	轻	低	黑
男	重	低	白
女	轻	高	白
女	重	高	白
女	轻	低	黑
女	轻	低	白

我们可以通过观测数据得到以下概率：P（W|G）、P（H|G）、P（C|G），即描述男性，身高高低、体重轻重、肤色黑白的概率；女性，身高高低、体重轻重、肤色黑白的概率。

实际要解决的问题是根据观测的身高、体重、肤色来预测性别，即分类预测问题，即P（G|WHC）概率

根据贝叶斯定理有：P（G|WHC）=P（WHC|G）P（G）/P（WHC）

朴素贝叶斯是最简单的分类方法，更复杂的有SVM、神经网络。’