原理：計算輸入為x時（x為向量），屬於c1 c2....ck分類的概率為p1 p2.....pk，其中若概率最大的為pi， 則對應的ci最有可能是x應該劃分到的類別。
至於詳細內容， 演算法雜貨鋪------分類演算法之樸素貝葉斯分類(***** bayesian classification)已經講述得比較詳細，也通俗易懂，就不贅述了。
請看完上文，再看下面的話：
實現起來， 其實也就是通過原先對訓練資料的「統計」出來的結果，例如p（x1=x1 | c1）在結果為c1類的資料中，第乙個x1為x1的概率（可以統計出來），將x1、x2....xn的當前值代入， 計算p(c=ci)p(x1=x1|ci)p(x2=x2|ci)...p(xn=xn|ci)。
如果你問我，上式右邊的意思是求當x=x的時候(x1=x1，x2=x2...）分類為ci的概率嘛 那為什麼不直接求 p(c=ci)*p（x1=x1,x2=x2....xn=xn|ci)呢?
其實，上面的式子的意思就是下面式子， 不過下面式子算出來的概率不準確， 訓練樣本數量遠小於所需樣本數量（不知到可否估算出至少需要多少樣本，erm一致收斂?不過可以確定的是，很難達到） 而我們這裡就是使用概率的方法，因為統計單個單個的概率比籠統起來的 在所需樣本數目的數量級上是要低很多的，因為「概率恆定？」，而且得出來的結果是比較接近真實值的
樸素貝葉斯分類
1 貝葉斯分類是一類分類演算法的總稱，這類演算法均以貝葉斯定理為基礎，故統稱為貝葉斯分類。2 樸素貝葉斯的思想基礎是這樣的 對於給出的待分類項，求解在此項出現的條件下各個類別出現的概率，哪個最大，就認為此待分類項屬於哪個類別。通俗來說，就好比這麼個道理，你在街上看到乙個黑人，我問你你猜這哥們 來的，...
樸素貝葉斯分類
摘自寫在公司內部的wiki 要解決的問題 表中增加欄位classification，有四個取值 0 初始值，未分類 1 positive 2 normal 99 negative review submit前，由樸素貝葉斯分類器決定該條review的flag屬於negative還是positive ...
分類 樸素貝葉斯
原始的貝葉斯公式為 p b a p a b p a p a b p b p a 1 在分類問題中,y為類別,x為樣本特徵,則已知待 的樣本特徵 x 它為類別yi 的概率為 p yi x p x yi p y i p x p yi jp xj y i p x 2 p yi 類別為y i的樣本 數總樣本...