準備階段：
在這個階段我們需要確定特徵屬性，比如對於通過「身高」為高、「體重」為中等、「鞋碼」為中等，這些特徵**性別問題中，對每個特徵屬性進行適當劃分，然後由人工對一部分資料進行分類，形成訓練樣本。
訓練階段:
這個階段就是生成分類器，主要工作是計算每個類別在訓練樣本中的出現頻率及每個特徵屬性劃分對每個類別的條件概率。輸入是特徵屬性和訓練樣本，輸出是分類器。
應用階段:
這個階段是使用分類器對新資料進行分類。輸入是分類器和新資料，輸出是新資料的分類結果。
一、先驗概率：
通過經驗來判斷事情發生的概率，比如說「貝葉死」的發病率是萬分之一，就是先驗概率。再比如南方的梅雨季是 6-7 月，就是通過往年的氣候總結出來的經驗，這個時候下雨的概率就比其他時間高出很多。
二、後驗概率：
後驗概率就是發生結果之後，推測原因的概率。比如說某人查出來了患有「貝葉死」，那麼患病的原因可能是 a、b 或 c。患有「貝葉死」是因為原因 a 的概率就是後驗概率。它是屬於條件概率的一種。
三、條件概率:
事件 a 在另外乙個事件 b 已經發生條件下的發生概率，表示為 p(a|b)，讀作「在 b 發生的條件下 a 發生的概率」。比如原因
貝葉斯分類
貝葉斯分類 有意義區分和無意義區分 既然要區分兩種點那麼兩種點必然有區別，當區分有區別的點時說是有意義區分。而完全區分那種一模一樣的點則是無意義區分。所以我們所討論的都是有意義的區分。完全區分和不完全區分 貝葉斯分類器是一種概率上的區分，而假如兩種點一種是黑的一種是白的那不需要用貝葉斯分類器區分，因...
貝葉斯分類
樸素貝葉斯模型是一組非常簡單快速的分類演算法，通常適用於維度非常高的資料集，因為執行速度快，而且可調引數少，因此非常適合為分類問題提供快速粗糙的基本方案。貝葉斯分類 樸素貝葉斯分類器建立在貝葉斯分類方法上，其數學基礎是貝葉斯定理，乙個描述統計計量條件概率關係的公式。在貝葉斯分類中，我們希望確定乙個具...
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，...