目录
前言
在ML中如KNN、LR、决策树等模型都是判别方式，也就是直接学出特征Y和特征X之间的关系(P(Y|X))。但是朴素贝叶斯是生成算法，他直接找出特征输出Y和特征X的联合分布P(X,Y),进而通过贝叶斯公式计算的出结果判定。
朴素贝叶斯公式
贝叶斯公式：
- P(B)：先验概率
- P(B|A)：后验概率
- P(A|B)：条件概率，一般根据历史统计数据得到
当然我们换个表达式会变的明朗好多:
实例分析
若有以下数据：
问题：假如某男（帅，性格不好，不上进）向女生求婚，该女生嫁还是不嫁？
那实际上我们需要计算 P(嫁 | 帅 性格不好 不上进) 和 P(不嫁 | 帅 性格不好 不上进)，即：
通过全概率公式计算分母:
对表中数据统计可得：
则对于类别“嫁”的贝叶斯分子为：
对于类别“不嫁”的贝叶斯分子为：
最终计算结果：
