1 概述

朴素贝叶斯模型是很经典的统计学习模型，在人工智能的上古时期就已经被人们发明出来。对这个模型的学习需要有一定的概率论和数理统计的知识，但是并不复杂。整个模型就围绕一件事情，如何求后验概率，即：$$P(Y=c_k|X=x)$$
定睛一看，也就是个条件概率，求在X=x的条件下，Y=c_k的概率，说白了，就是对于给定的x，求出它属于Y=c_k这一类的概率。

这个也是很直观的，我们的目标就是对给定的x进行分类，先求出其属于每一类的概率，再找到哪一类的概率最大就可以。

那现在问题就来了，如何求这个后验概率呢？这就是朴素贝叶斯模型需要解决的问题。

2 相关数学知识

在机器学习中，我们一般会遇到两类模型，一种是非概率模型，比如感知机，K近邻模型等，都是实打实的对数据进行相关的训练或处理，直接得到一个确切的决策函数，以进行回归或分类操作。而还一类就是概率模型，最后求得的是条件概率或者确切的说是后验概率，然后在后验概率中，选择概率最大的那一类为我们的值。

作为概率模型，我们了解相关的概率知识就是很重要的了。

1. 条件概率公式:
   $$P(A|B)=\frac{P(AB)}{P(B)}$$即事件B发生的条件下，A发生的概率。其中P(AB)是事件A和事件B同时发生的概率。

2. 全概率公式：
   $$P(A)=\sum _{i=1}^{n}P(B_i)\cdot P(A|B_i)=\sum _{i=1}^{n}P(A{B}_i)$$
   即事件A的概率等与A和B_i同时发生的概率的累加和。通俗的来说，要达成事件A，有i个可能的选择即B_i，每次在选择B_i时，发生A的概率为P(AB_i),把每个选择的概率累加起来，就是事件A发生的概率。

3. 贝叶斯公式
   $$P(B_i|A)=\frac{P(A{B}_i)}{P(A)}=\frac{P(B_i)\cdot P(A|B_i)}{{\sum }_{i=1}^{n}P(B_i)\cdot P(A|B_i)}$$
   这个贝叶斯公式，就是我们今天的主角了。我们可以看到，贝叶斯公式实质就是一个条件概率公式。

3 朴素贝叶斯模型

3.1 基本方法

现在我们已经有了贝叶斯公式，可以根据公式很快的求解出我们的后验概率：
$$P(B_i|A)=\frac{P(A{B}_i)}{P(A)}={\sum }_{i=1}^{n}P(B_i)\cdot P(A$$