一. 核心思想
贝叶斯分类是一类基于贝叶斯定理（Bayes' Theorem）和概率统计的分类算法，核心思想是 "通过已知的先验概率，结合数据的似然性，计算后验概率，最终将样本归为后验概率最高的类别"。它在机器学习、模式识别等领域应用广泛（如垃圾邮件过滤、疾病诊断、文本分类等），尤其适合处理 "样本量较小" 或 "需要利用先验知识" 的场景。
二. 理论基础
1. 定义：
对于二分类或者多分类问题，若用C表示"类别"，用X表示"样本特征"，则贝叶斯定理公式为
其中每部分含义如下：
|-------------|--------------------------------------------------|
| 后验概率P(C|X) | 已知样本特征 X 时，样本属于类别 C 的概率（"看到特征后，判断类别的置信度"） |
| 似然性P(X|C) | 已知类别为 C 时，样本出现特征 X 的概率（"类别为 C 的样本，恰好具备这些特征的可能性"） |
| 先验概率 P(C) | 未看样本特征时，类别 C 本身的概率 |
| 证据因子 P(X) | 样本特征 X 出现的总概率（与类别无关，仅用于 "归一化"，确保后验概率总和为 1) |
2. 分类逻辑：
贝叶斯分类的核心规则是 "最大后验概率准则 "： 对一个待分类样本 X，计算它属于所有可能类别的后验概率，比如对于 这些类别分别计算
，最终将 X 归为后验概率最大的类别。
由于P(X)对所有类别相同，实际计算时可简化为：
三. 经典算法--朴素贝叶斯（Native Bayes）
1.问题背景：
直接应用贝叶斯定理时，若样本特征 X 是 "多维度特征"（如文本分类中，X 包含 "是否含'中奖'""是否含'点击'" 等多个特征），计算P(X|C)会面临 "维度灾难"------ 需统计所有特征组合的概率，数据量不足时根本无法实现。
2. 核心思想：
引入"特征条件独立" 的核心假设，也就是朴素贝叶斯的 "朴素（Naive）" 体现在：假设在已知类别的前提下，样本的各个特征之间是相互独立的 。
即对于类别 C 和多维度特征 （
是第 i 个特征），有：
通过引入这个假设，大幅简化了计算，也就是无需统计 "特征组合的概率"，只需单独统计 "每个特征在某类别下的概率" 即可。
3. 文本分类之"垃圾邮件过滤"
设类别C1为垃圾邮件，C2为正常邮件，X为邮件中的关键词，朴素贝叶斯分类过程如下：
a. 数据预处理：将文本转为特征，每个邮件对应一个向量X，向量的每个维度代表一个关键词；
b. 计算先验概率P(C)：根据训练集统计类别概率，对于第k类计算如下：
c. 计算似然性P(X|C)：统计类别k中特征Xi出现的概率，计算如下：
注意：这里使用了拉普拉斯平滑，避免概率为0，分母加2是因为这里是个二分类问题。
d.计算后验概率并分类：对于测试邮件X，分别计算P(C1|X)、P(C2|X)，若前者大，则判定为垃圾邮件，否则为正常邮件。
四.朴素贝叶斯常见变体
|--------------|-----------------------|--------------------------------------------|
| 类型 | 使用特征 | 核心假设 |
| 高斯朴素贝叶斯 | 连续型特征 | 假设 "类别k下的特征Xi服从高斯分布（正态分布）"，通过样本均值和方差估算似然函数 |
| 多项式朴素贝叶斯 | 离散型特征 | 假设 "类别k下的特征Xi 服从多项式分布"，常用于 "特征是计数数据" 的场景 |
| 伯努利朴素贝叶斯 | |--------| | 二值离散特征 | | 假设 "类别k下的特征Xi服从伯努利分布"，仅关注 "特征是否出现"（而非出现次数） |
五.优缺点
1. 优点
- 计算高效：仅需统计先验概率和似然性，复杂度低，适合大规模数据或实时场景；
- 数据需求少：依赖先验知识，小样本下也能工作（尤其适合样本难以获取的场景）；
- 可解释性强：结果是 "类别概率"，能直观体现分类的置信度；
- 抗过拟合能力强：假设简单，不易过度依赖训练集的噪声数据。
2. 缺点
- "特征独立" 假设理想化：实际场景中，特征往往存在相关性（如 "邮件含'中奖'和'点击链接'高度相关"），会导致似然性计算不准，影响分类效果；
- 对先验概率敏感：若先验概率统计偏差大（如训练集类别分布与真实场景差异大），会严重影响后验概率的准确性；
- 无法处理 "特征值为 0" 的极端情况：需依赖拉普拉斯平滑等方法修正，否则可能出现概率为 0 的情况，导致分类失效。
----- 以上为本人学习机器学习这门课总结出的一些知识点，有错误或者疑问可以评论区交流，欢迎指正！！！