机器学习笔记（三）：朴素贝叶斯

当特征和类别有明显的因果关系时，看贝叶斯公式的时候我还能理解，对上号，但是当特征与类别没有明显的因果关系的时，用贝叶斯公式时经常对不上号，条件概率和后验概率傻傻分不清楚，所以特地花时间整理了一番。

1.条件概率的推导：

由上图可知:

可得：

同理可得：

所以有:

可得条件概率公式（贝叶斯公式）：

2.换个容易理解的表达形式：

上式中条件概率为：P(类别|特征），先验概率为P(类别），后验概率为P(特征|类别)，先验概率和后验概率可有训练数据集计算得来。

3.这里的类别和特征都可能有多种，即特征A(，，，……，)，类别B(，，，……，)。则

因为朴素贝叶斯算法是假设各个特征之间相互独立，那么

则：

计算每个类别，，，……，的条件概率、、、

，分类结果为条件概率最大的类别。因为计算条件概率时，分母都是一样的，所以可以不计算，直接计算分子比较结果即可。

编写代码实现贝叶斯算法，怎么计算不同类别对应的特征的后验概率：

#类别j
pjNum += trainMatrix[i]
pjDenom += sum(trainMatrix[i])
pjVect = pjNum/pjDenom  #类别j每个特征对应的后验概率数组

预测的时候怎么运用通过测试数据集计算好的后验概率数组？

将测试数据的特征与特征对应的后验概率相乘。

解释得比较详细的博客：贝叶斯原理和实战