参考链接：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/
5.华校专，《Python大战机器学习》，电子工业出版社
本文目标：直观理解朴素贝叶斯是怎么做到分类的(how it works for classification)，即形象并具体地说明算法步骤和思路来源。
基础：贝叶斯定理，即后验概率的计算公式。包括条件概率、先验概率、后验概率等概念。
0、朴素贝叶斯是什么？
朴素贝叶斯法（Naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入 x ，利用贝叶斯定理求出后验概率最大的输出 y 。——《统计学习方法》
看完定义，其实朴素贝叶斯(Naive Bayes)是属于机器学习算法下的监督学习算法中的分类算法。
1、贝叶斯定理
又称贝叶斯公式，目的是通过先验概率和类条件概率来求后验概率。
举例来说：已知：在夏季，某公园男性穿凉鞋的概率为1/2，女性穿凉鞋的概率为2/3，并且该公园中男女比例通常为2:1，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？
|
|
其实上述例子中，A就是一种特征，B1和B2就是类别标签，因此用于贝叶斯分类任务的贝叶斯公式可以这样理解：
朴素贝叶斯分类又是啥意思呢？
首先，它所解决的分类问题中，特征X有很多维度，即它是一个向量，
，如此n维的特征X会带来指数级数量的参数（后面再讲）；
，其中k取1,2,...,K。（代表一共有类别Y一共有K类）
其次，朴素的意思就是，对类条件概率做了条件独立性假设，就是下面的等式被它假设成立了：
，也就是说，本来X包含了n个的特征
,一般情况下则n个特征的联合分布的概率不会是各个特征各自的概率分布的乘积，除了这n个特征互相之间是独立的，因此朴素所代表的是一种假设，而且是很强的假设。
2.朴素贝叶斯的参数估计
朴素贝叶斯算法中，训练阶段（学习）就是从训练集中，估计出
和
。也就是估计先验概率分布和类条件概率分布。
先验概率的极大似然估计为：
，也就是说，从训练集（样本）中ck所占比例就认为是总体中ck所占比例，即P(Y=ck)。
条件概率
的极大似然估计为：
3.朴素贝叶斯的算法流程
算法步骤：
1.计算先验概率的估计值以及条件概率的估计值：
2.对于给定的实例
，计算：
3.计算并返回实例x的分类y：
