前沿：学习过概率的人一定知道贝叶斯定理，在信息领域内有着无与伦比的地位。贝叶斯算法是基于贝叶斯定理的一类算法，主要用来解决分类和回归问题。
人工智能之机器学习中最为广泛的两种分类模型是1）决策树模型（Decision Tree Model）和2） 朴素贝叶斯模型（Naive Bayesian Model）。决策树DT已经讲过，请参见之前有关文章。
今天我们重点探讨一下朴素贝叶斯（NB），注意这里NB不是牛X， 而是Naive Bayesian。 ＾＿＾
朴素贝叶斯是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。朴素贝叶斯原理简单，也很容易实现，多用于文本分类、垃圾邮件过滤、情感分析等。
英国数学家托马斯·贝叶斯（Thomas Bayes）在1763年发表的一篇论文中，首先提出了贝叶斯定理。
贝叶斯定理的应用需要大量的计算，因此历史上很长一段时间，无法得到广泛应用。只有计算机诞生以后，它才获得真正的重视。人们发现，许多统计量是无法事先进行客观判断的，而互联网时代出现的大型数据集，再加上高速运算能力，为验证这些统计量提供了方便，也为应用贝叶斯定理创造了条件，它的威力正在日益显现。
概念和定义：
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器NBC （NaiveBayes Classifier）发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。朴素贝叶斯分类器（NBC）模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC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NBC模型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，这给NBC模型的正确分类带来了一定影响。
贝叶斯分类是一系列分类算法总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。
理论基础：
朴素贝叶斯最核心的部分是贝叶斯法则，而贝叶斯法则的基石是条件概率。贝叶斯法则如下：
这里的C表示类别，输入待判断数据，式子给出要求解的某一类的概率。
朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。
朴素贝叶斯分类器模型：
Vmap＝arg maxP（ Vj ｜ a1，a2．．．an） Vj属于V集合，其中Vmap是给定一个example，得到的最可能的目标值。其中a1．．．an是这个example里面的属性。Vmap目标值，就是后面计算得出的概率最大的一个。所以用max来表示。
贝叶斯公式应用到 P（ Vj ｜ a1，a2．．．an）中。可得到 Vmap＝ arg max P（a1，a2．．．an ｜ Vj ） P（ Vj ） ／ P（a1，a2．．．an）。又因为朴素贝叶斯分类器默认a1．．．an互相独立。所以P（a1，a2．．．an）对于结果没有用处。可得到Vmap＝ arg max P（a1，a2．．．an ｜ Vj ） P（ Vj ）。
＂朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。换言之。该假定说明给定实例的目标值情况下。观察到联合的a1，a2．．．an的概率正好是对每个单独属性的概率乘积：P（a1，a2．．．an ｜ Vj ） ＝Πi P（ai｜ Vj ）
因此，朴素贝叶斯分类器模型：Vnb＝arg max P（ Vj ） Π iP （ ai ｜ Vj ）
