本文將敘述樸素貝葉斯演算法的來龍去脈，從數學推導到計算演練到程式設計實戰

文章內容有借鑑網路資料、李航《統計學習方法》、吳軍《數學之美》加以整理及補充

2、條件概率

3、聯合分佈

樸素貝葉斯演算法
樸素貝葉斯法是基於貝葉斯定理和特徵條件獨立假設的
分類方法。給定訓練資料集，首先基於特徵條件獨立假設學習
輸入/輸出的聯合概率分佈，然後根據此模型，對給定的輸入x，
利用貝葉斯定理求出後驗概率最大的輸出y。
樸素貝葉斯法屬於生成方法，關鍵在於找到輸入輸出的聯合分
布，或者說確定聯合分佈的引數也就確定了聯合分佈。在特徵條
件獨立的假設下，對每一個特徵通過頻率求解其條件概率分佈，
這些條件概率分佈最終用於求解後驗概率。

推導約定：

樸素貝葉斯演算法通過訓練資料集學習聯合概率分佈P(X|Y) ,具體地，學習先驗概率分佈

以及條件概率分佈

樸素貝葉斯演算法對條件概率分佈作了條件獨立性的假設，具體的，條件獨立性假設是

演算法求值步驟

這裡有個地方要注意，當新樣本的特徵值不在訓練總樣本集中時，計算

的值將為0,將無法對新樣本進行分類
所以加入拉普拉斯平滑

沒有例子光有公式還是無法理解演算法精髓？？那就來一波例子吧
1、

2、高斯樸素貝葉斯計算