朴素贝叶斯是一种基于概率统计的分类方法。它在条件独立假设的基础上，使用贝叶斯构建算法，在文本处理领域有广泛的应用。
本文章主要从贝叶斯公式出发，然后介绍朴素贝叶斯的算法思想，再简单介绍贝叶斯网络便于理解。
- 5.1 贝叶斯公式
- 5.2 朴素贝叶斯
- 5.3 算法流程
- 5.4 算法变种
5.1 贝叶斯公式
贝叶斯公式主要是用来求逆概率。
举一个例子，现在有两种不同品牌方便面，然后两种方便面里面“再来一包”的概率是已知的，现在你室友给你说他重奖了，你需要判断你的室友选择的是哪种牌子的方便面。或者说，你室友选择两种不同牌子方便面的概率是多少。
从例子中来看，我们知道选择两种方便面的概率，以及在这两种方便面下中奖的概率，然后我们需要在已知中奖的情况下求两种方便面的概率。
用字母表示：在已知和
的情况下，同时知道
、
的情况下，要求
公式如下：
推导过程如下：
假如A和B相互独立，则有：
P(A,B)=P(A)P(B)
然后看条件概率公式：
P(B|A)=P(A,B)/P(A)
P(A|B)=P(A,B)/P(B)
两者合并即可得上述公式。
然后由全概率公式：
贝叶斯公式可以变为：
5.2 朴素贝叶斯
上述贝叶斯公式中只考虑了一个变量A对B的影响，而在机器学习算法中，有n维的X对Y造成影响，那么怎样设计让这些特征整体对Y有影响呢？
这里假设n维X，变量之间是相互独立的。
则有：
不同类别下概率最大的即为该样本所属的分类。
注：朴树贝叶斯中朴树二字指的就是特征值X之间相互独立。
5.3 算法流程
假设有一个已标记的数据集,
,
,现在要求一个为标价的样本所属的类别。
利用贝叶斯公式分别计算P(y1|x),P(y2|x),....,P(yn|x)的值
其中概率值最大的即为该样本的预测类别。
5.4 算法变种
（1）高斯朴素贝叶斯
高斯朴素贝叶斯是指特征属性为连续值时，而且分布服从高斯分布，那 么在计算P(x|y)的时候使用高斯分布的概率公式。
（2）伯努利朴素贝叶斯
伯努利朴素贝叶斯是指当特征属性为连续值时，而且分布服从伯努利分布， 那么在计算P(x|y)的时候使用伯努利分布的概率公式。
（3）多项式朴素贝叶斯
多项式朴素贝叶斯是指特征属性服从多项分布。
小结
朴素贝叶斯的主要优点有：
1）朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。
2）对小规模的数据表现很好，能个处理多分类任务，适合增量式训练，尤其是数据量超出内存时，我们可以一批批的去增量训练。
3）对缺失数据不太敏感，算法也比较简单，常用于文本分类。
朴素贝叶斯的主要缺点有：
1） 理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为朴素贝叶斯模型给定输出类别的情况下,假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。而在属性相关性较小时，朴素贝叶斯性能最为良好。对于这一点，有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进。
2）需要知道先验概率，且先验概率很多时候取决于假设，假设的模型可以有很多种，因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。
3）由于我们是通过先验和数据来决定后验的概率从而决定分类，所以分类决策存在一定的错误率。
注：文章很大程度来源自简书简书飘涯的文章：
机器学习（14）——朴素贝叶斯
机器学习（15）——贝叶斯网络
本作者只是将知识点梳理供自己理解。
