1.思路：
給定訓(xùn)練集后思灰，假設(shè)特征之間都是互相獨(dú)立的玷犹。
（1）計(jì)算輸入輸出的聯(lián)合概率分布
（2）對于給定的輸入x，利用貝葉斯原理求出后驗(yàn)概率最大的輸出y
2.優(yōu)缺點(diǎn)：
優(yōu)點(diǎn)：
（1）學(xué)習(xí)和預(yù)測的效率高洒疚，模型簡單歹颓，且易于實(shí)現(xiàn)；在數(shù)據(jù)較少的情況下仍然有效油湖，可以處理多分類問題巍扛；
（2）對缺失數(shù)據(jù)不敏感。
缺點(diǎn)：
（1）分類效果不一定很高乏德，特征獨(dú)立性假設(shè)會(huì)是樸素貝葉斯變得簡單撤奸，特征獨(dú)立在實(shí)際應(yīng)用中往往不成立，所以會(huì)犧牲一定的分類準(zhǔn)確率喊括，在屬性個(gè)數(shù)多并且相關(guān)性強(qiáng)的時(shí)候胧瓜，樸素貝葉斯的分類效率不如樹模型；
（2）需要已知先驗(yàn)概率
3.原理：
對于輸入空間x為n維向量的集合:
![][01]
[01]:http://latex.codecogs.com/png.latex?x:(x_1,x_2,x_3,...,x_n)
輸出空間c的標(biāo)簽集合為：
![][02]
[02]:http://latex.codecogs.com/png.latex?c:(c_1,c_2,c_3,...,c_n)
假設(shè)X是定義在輸入空間上的隨機(jī)變量郑什，C是定義在輸出空間上的隨機(jī)變量府喳，則X和Y的聯(lián)合概率分布為：
![][03]
[03]:http://latex.codecogs.com/png.latex?P(X,C)
樸素貝葉斯法通過訓(xùn)練數(shù)據(jù)集學(xué)習(xí)聯(lián)合概率分布，學(xué)習(xí)聯(lián)合概率分布主要是得到先驗(yàn)概率和條件概率分布蹦误。
先驗(yàn)概率分布：
![][04]
[04]:http://latex.codecogs.com/png.latex?P(Y=c_k),k=0,1,2...
條件分布概率為：
![][05]
[05]:http://latex.codecogs.com/png.latex?P(X=x|Y=c_k)
即可得后驗(yàn)概率分布劫拢，如下圖所示：
