朴素贝叶斯分类器

朴素贝叶斯分类器

首先要清楚朴素贝叶斯分类器是基于“属性条件独立性假设”，即所有属性相互独立，换句话说就是，假设每个属性独立的对分类结果产生影响。

显然，朴素贝叶斯分类器的训练过程就是基于训练集D来估计类先验概率 P(C）,并为每个属性估计条件概率P(xi | c）。说到底，朴素贝叶斯分类器就是由先验概率和条件概率组成。

1、 先验概率

其中D表示的是总共有多少个样本，Dc表示的是整体样本中c类样本的数量；

2、条件概率

在该式中，Dc所代表的意思与先验概率相同，即整体样本中c类样本的数量；Dc,xi 表示的是在c类样本的数量中第i个属性取值为xi的样本数量，就比如说：（红）苹果中（脆）苹果的数量。

其中，µc,i 表示的是第c类样本在第i个属性上取值的均值；σc,i 表示的是第c类样本在第i个属性上取值的方差。

3、举例

下面用一个实例来说明一下：
我们首先先给出训练集和测试数据；

首先先计算先验概率；

然后再计算条件概率；
这个地方需要注意一下，密度和甜度这种程度的属性需要使用概率密度函数来进行计算。

将好瓜与坏瓜的先验概率和条件概率分别进行累乘。

然后我们对累乘的结果进行比较，可以很明显看出来是好瓜的概率大于是坏瓜的概率，因此我们测试的瓜系统给出为好瓜。

最后还有一点就是，在累乘的过程中我们也可以看出如果有一个条件概率为零的话，那么我们相乘的结果就为零，那么这样来说就是毫无意义的，然后西瓜书上给出了另一个概念“拉普拉斯平滑”，即在先验概率和条件概率的分子上加一，然后在分母上加上样本的类别数（先验概率）或者某属性的可取值个数（条件概率）。

标签：概率,样本,贝叶斯,分类器,先验概率,朴素,属性
来源： https://blog.csdn.net/qwe1747133883/article/details/120659732