1. 簡述

　　貝葉斯是典型的生成學習方法

　　對于給定的訓練數據集，首先，基于特征條件獨立假設，學習輸入/輸出的聯合概率分布；然后，基于此模型，對于給定的輸入x，根據貝葉斯定理求后驗概率最大的輸出y

　　術語說明：

• 特征條件獨立假設：用于分類的特征在類確定的條件下都是條件獨立的。這一假設大大減少模型包含的條件概率數量，簡化了貝葉斯方法的學習與預測
• 聯合概率分布：即先驗概率和條件概率（條件獨立性假設，重要知識點）
• 學習聯合概率分布的方法：學習就是指估計先驗概率和條件概率，具體方法有極大似然估計、貝葉斯估計（貝葉斯估計是為了避免極大似然估計出現概率為0的情況，影響計算）
• 后驗概率最大：等價于期望風險最小化

2 條件概率的估計

　　摘自http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html

　　計算出各個劃分的條件概率是樸素貝葉斯分類的關鍵，當特征是離散值時，統計出現頻率即可，下面討論連續值的情況

　　當特征屬性為連續值時，通常假定其值服從高斯分布（也稱正態分布）。即：

??????

????? 而

????? 因此只要計算出訓練樣本中各個類別中此特征項劃分的各均值和標準差，代入上述公式即可得到需要的估計值

　　代碼：https://github.com/yundou2017/bayes/blob/master/Bayes2.m

優缺點

• 優點：在數據較少的情況下仍然有效，可以處理多類別問題
• 缺點：對于輸入數據的準備方式較為敏感

轉載于:https://www.cnblogs.com/xiaoyun94/p/6727404.html

總結

以上是生活随笔為你收集整理的朴素贝叶斯知识点概括的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。