聊聊"朴素贝叶斯算法"
今天抽空聊一聊机器学习中非常重要的一种算法——朴素贝叶斯（Naive Bayesian )。
先说说为什么叫做“朴素贝叶斯”，原因很简单：因为它的原理很“朴素”！并且使用了贝叶斯公式。所以，先来看看概率论中的两个非常重要的东西：
OK,这是统计学中非常重要的两个公式，务必理解、熟记！
朴素贝叶斯算法的核心原理是：对于待分类样本，计算在此待分类样本出现的条件下各个类别出现的概率，哪个最大，就认为此待分类样本属于哪个类别。过程如下：
其中第三步是难点和关键所在：
但是，要特别注意的一点是：如果在训练的时候存在P(a|y)=0， 也就是某个类别下某个特征未出现，由于乘积为0，则在预测新样本的时候，会认为该样本属于该类别下的概率为0。此时，可使用 "拉普拉斯校准"的方法解决该问题：本质上是给频率表中的每个计数加上一个较小的数，这样就保证了每一类中每个特征发生概率非零。通常情况下，拉普拉斯估计中加上的数值设定为1，这样就保证每一类特征的组合至少在数据中出现一次。
OK~~~~，终于写完了，加油，冲啊！！！