朴素贝叶斯算法是一种基于著名贝叶斯定理的分类算法。那么让我们先了解一下Bayes定理是怎么说的，并为朴素贝叶斯算法定理建立z自己的理解，它是如何工作的，它为什么被称为朴素？

贝叶斯定理

在深入研究贝叶斯定理之前，我们需要了解一些术语-

1. 独立事件和从属事件

2. 边际概率

3. 联合概率

4. 条件概率

独立事件和从属事件

考虑两个事件A和B。当事件A的发生概率不依赖于事件B的发生时，则A和B是独立的事件。例如，如果你有两枚普通硬币，那么两枚硬币的正面概率都是0.5。因此，事件是独立的。

现在考虑一个包含5个球的盒子-2个黑色和3个红色。先画一个黑球的概率是2/5。现在从剩下的4个球中再抽出一个黑球的概率是1/4。在这种情况下，这两个项目是依赖的，因为第二次画黑球的概率取决于第一次走时画的是哪个球。

边际概率

边际概率只是事件的概率，与其他随机变量的结果无关，例如P（A）或P（B）。

联合概率

联合概率是两个不同事件同时发生的概率，即两个（或更多）同时发生的事件，例如P（A和B）或P（A，B）。

条件概率

条件概率是给定另一事件发生的一个（或多个）事件的概率，换句话说，它是当次要事件B为真时事件A发生的概率，例如P（A给定B）或P（A | B）。

理解

所以考虑前面的例子，一个盒子有3个红色和2个黑色的球。在第一次出发时捡到红球的概率为2/5。这是P（A）。现在，从剩下的3个红球和1个黑球中，再画一个黑球的概率是1/4，即P（B | A）。现在这是绘制一个黑球的条件概率，因为一个黑球已经在第一次执行时被绘制出来了，这是事件a。

如果我们把这两个概率相乘，我们会得到1/10，这是联合概率P（A，B）。

将上述方程中P（A，B）和P（B）的值代入，我们得到P（B | A）=1/4。所以1/4是当A已经发生时事件B的条件概率（依赖事件）。同样，我们也可以将P（A | B）定义为：

现在我们很清楚P（A，B）=P（B，A）。因此，将我们得到的两个方程等价：

这里，P（B）是先验概率，P（A | B）是似然概率，P（A）是边际概率，P（B | A）是后验概率。

朴素贝叶斯定理

我们刚才讨论的Bayes定理非常简单，可以用于分类任务，无论是二分类还是多分类。

假设我们手头有一个分类机器学习问题。假设我们有5个特征X1，X2，X3，X4和X5，目标变量是Y。现在我们需要将数据拟合到这个Bayes定理中，这样它就能够预测Y类的概率，给定一组5个数据点（见Bayes规则的应用）。

我们得到上面的方程。这可以表现为：

这里π符号只是对似然概率的乘积求和。如果你仔细观察，分母或者边际概率对于所有的例子都是常数。因此，我们可以将上述等式的比例性定义为：

现在这将给出这两个类的概率。一个将更高（我们将其视为预测类），另一个将更低。因此，我们将使用它的argmax（）来获取该值。

现在考虑使用下面的简单数据集，其中有两个表：Outlook（外出活动）和Temperature（温度）。这里的前景有三种可能性，即晴天、阴天和雨天，结果是肯定的/否定的人是否会打网球。

类似地，第二个表包含关于温度及其对结果是/否的影响的数据。

是与否的总概率如下：

现在面临的问题是，如果天气晴朗，气温炎热，我们需要确定这个人是否会参加比赛。或者根据概率，我们需要找到P(Yes|Today) ，今天在哪里（晴朗，炎热）。这里的天气和温度只是我们数据集的两个特征。所以方程变成：

通过插入上表中的值，求解P(Yes|Today)和P(No|Today)的上述值：

所以从概率上看，很明显 P(No|Today)更高，所以这个例子的预测是“No”。但是，这些不是类概率，你可能已经注意到它们加起来不等于1。因此，我们需要规范化上述条件概率，以获得类概率：

为了得到No的类概率，我们可以简单地从1中减去这个概率。因此，No的概率为1–0.27=0.73。因此，算法将类预测为“否”。

为什么叫“朴素”

现在，说到最重要的问题（也是本文的标题），这个朴素的贝叶斯分类器有什么“朴素”的呢？

在推导5个特征的数据集方程时，我们只需乘以各个特征的所有条件概率，比如P（X1 | Y）P（X2 | Y）….P（X5 | Y）。当我们假设特征相互独立时，我们只能把总的条件概率写成特征的个别条件概率的乘积。这是我们在这里做的“天真”假设，是为了让贝叶斯定理对我们有用。

但是，在现实生活中，当特性彼此独立时，几乎从来没有这种情况。功能中总是有某种依赖关系。例如，如果一个特征是一个人的年龄，而另一个特征是年薪，那么在大多数情况下都有明显的依赖关系。

然而，我们仍然继续把这个定理应用于分类问题，甚至文本分类，它的效果出奇的好！

deephub翻译组