朴素贝叶斯法的学习与分类

基本方法：

输入空间为n维向量的集合，输出空间为标记类的集合。训练数据集T={(x1,y1), (x2,y2),...,(xN,yN)}又P(X,Y)独立同分布产生。

朴素贝叶斯法通过训练数据集学习联合概率分布P(X,Y).

朴素贝叶斯法对条件概率分布做了条件独立性的假设。

朴素贝叶斯法实际上学习到生成数据的机制，所以属于生成模型。条件独立假设等于是说用于分类的特征在类确定的条件下都是条件独立的。这一假设使得朴素贝叶斯法变得简单，但是有时会牺牲一定的准确率。

朴素贝叶斯法分类时，通过学习到的模型计算对输入x计算后验概率分布p(y=Ck | x),将后验概率最大的类作为x的输出。

朴素贝叶斯法将实例划分到后验概率最大的类中，这等价于期望风险最小化。