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。在机器学习中，朴素贝叶斯和其他大多数的分类算法都不同，比如决策树、KNN、支持向量机等，他们都是判别方法，直接学习出特征输出Y和特征输出X之间的关系，Y=f(X)或者P(Y|X)。但朴素贝叶斯是生成方法，是直接找出特征输出Y和特征X的联合分布P(X,Y),然后用P(Y|X)=P(X,Y)/P(X)得出。
0 朴素贝叶斯算法的主要学习内容
1）朴素贝叶斯法的学习与分类
2）朴素贝叶斯法的参数估计
1朴素贝叶斯算法学习的前期准备
1.1后验概率最大化的含义[1]
朴素贝叶斯法将实例分到后验概率最大的类中，这等价于期望风险最小化，假设选择0-1损失函数：
这样一来，根据期望风险最小化准则就得到了后验概率最大准则：
1.2极大似然估计[1]
1.3 学习与分类算法
2 贝叶斯估计
使用极大似然估计可能会出现所要估计的概率值为0的情况，这时会影响到后验概率的计算结果，使分类产生偏差，解决这一问题的方法是采用贝叶斯估计，它与朴素贝叶斯估计有什么不同呢
3朴素贝叶斯算法总结
朴素贝叶斯是典型的生成学习方法，是直接找出特征输出Y和特征X的联合分布P(X,Y),然后用P(Y|X)=P(X,Y)/P(X)得出，对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就判定该待分项属于哪个类。
3.1朴素贝叶斯的主要优点：
1）朴素贝叶斯模型有稳定的分类效率
2）朴素贝叶斯很直观，计算量也不大
3）对小样本数据表现很好，能处理多分类任务。
4）对缺失数据不敏感，算法也比较简单，常用于文本分类。
3.2朴素贝叶斯的主要缺点:
1）理论上，朴素贝叶斯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，这是因为朴素贝叶斯模型给定输出类别的情况下,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，在属性个数比较多或者属性之间相关性较大时，分类效果不好。而在属性相关性较小时，朴素贝叶斯性能最为良好
2）需要知道先验概率，且先验概率很多时候取决于假设，假设的模型可以有很多种，因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。
3）由于我们是通过先验和数据来决定后验的概率从而决定分类，所以分类决策存在一定的错误率。
4）对输入数据的表达形式很敏感。
4 朴素贝叶斯算法的应用
1）垃圾邮件分类
2）病症判断，即病人分类
3）检测某社区平台不真实账号
4）新闻分类
参考文献
[1]李航，《统计学习方法》
[2]https://www.cnblogs.com/lliuye/p/9178090.html
[3]http://bbs.elecfans.com/jishu_1659159_1_1.html
[4] https://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html
注：部分文字、图片来自网络，如涉及侵权，请及时与我们联系，我们会在第一时间删除或处理侵权内容，电话：4006770986。
