參考連結：1.https://blog.csdn.net/li8zi8fa/article/details/76176597;

2.https://www.cnblogs.com/lliuye/p/9178090.html

3.https://blog.csdn.net/zengxiantao1994/article/details/72787849

4.https://monkeylearn.com/blog/practical-explanation-naive-bayes-classifier/

本文目標：直觀理解樸素貝葉斯是怎麼做到分類的(how it works for classification)，即形象並具體地說明演算法步驟和思路來源。

基礎：貝葉斯定理，即後驗概率的計算公式。包括條件概率、先驗概率、後驗概率等概念。

0、樸素貝葉斯是什麼？

　　樸素貝葉斯法（Naive Bayes）是基於貝葉斯定理與特徵條件獨立假設的分類方法。對於給定的訓練資料集，首先基於特徵條件獨立假設學習輸入/輸出的聯合概率分佈；然後基於此模型，對給定的輸入 x ，利用貝葉斯定理求出後驗概率最大的輸出 y 。——《統計學習方法》

　　看完定義，其實樸素貝葉斯(Naive Bayes)是屬於機器學習演算法下的監督學習演算法中的分類演算法。

1、貝葉斯定理

　　又稱貝葉斯公式，目的是通過先驗概率和類條件概率來求後驗概率。

　　舉例來說：已知：在夏季，某公園男性穿涼鞋的概率為1/2，女性穿涼鞋的概率為2/3，並且該公園中男女比例通常為2:1，問題：若你在公園中隨機遇到一個穿涼鞋的人，請問他的性別為男性或女性的概率分別為多少？

　　其實上述例子中，A就是一種特徵，B1和B2就是類別標籤，因此用於貝葉斯分類任務的貝葉斯公式可以這樣理解：

　　樸素貝葉斯分類又是啥意思呢？

　　首先，它所解決的分類問題中，特徵X有很多維度，即它是一個向量，，如此n維的特徵X會帶來指數級數量的引數（後面再講）；

　　，其中k取1,2,...,K。（代表一共有類別Y一共有K類）

　　其次，樸素的意思就是，對類條件概率做了條件獨立性假設，就是下面的等式被它假設成立了：

　　，也就是說，本來X包含了n個的特徵,一般情況下則n個特徵的聯合分佈的概率不會是各個特徵各自的概率分佈的乘積，除了這n個特徵互相之間是獨立的，因此樸素所代表的是一種假設，而且是很強的假設。

2.樸素貝葉斯的引數估計

　　樸素貝葉斯演算法中，訓練階段（學習）就是從訓練集中，估計出和。也就是估計先驗概率分佈和類條件概率分佈。

未完待續。。