机器学习：朴素贝叶斯

先验概率：P（A）根据以往的经验和分析得到的概率，例如全概率公式P(A)=\sum_i P(A|B_i)P(B_i)

后验概率：P(A|B)在给定条件或者假设下的条件概率

贝叶斯公式P(A\cap B)=P(A)*P(B|A) =P(B)*P(A|B)

假设数据符合高斯分布，每个输入变量之间相互独立

通过训练集算出先验概率和后验概率，使用贝叶斯公式即可得到P(A\cap B)

也就是对新数据(x,y )。可知P(X=x,Y=y)，因此可以得到一个样本数据属于类别的朴素贝叶斯计算。

通过对比分到类别 1，2，3，4，。。。时的朴素贝叶斯计算选择数据对应的分类。

举例：

数据一共5列，分别对应X1,X2,X3,X4,Y,其中X的四列相互独立，每一列都符合高斯分布，Y表示类别。

求P(X1=x,X2=x2,X3=x3,X4=x4|Y=yi),i=1,2,3...，然后这个概率最大时对应的yi就是该新数据的类别

标签：概率,机器,贝叶斯,高斯分布,类别,先验概率,数据,朴素
来源： https://blog.csdn.net/qq_52698974/article/details/120355093