NaïveBayes算法，又叫朴素贝叶斯算法，属于监督学习的生成模型，实现简单，没有迭代，并有坚实的数学理论(即贝叶斯定理)作为支撑。
简介
NaïveBayes算法，又叫朴素贝叶斯算法，朴素：特征条件独立;贝叶斯：基于贝叶斯定理。属于监督学习的生成模型，实现简单，没有迭代，并有坚实的数学理论(即贝叶斯定理)作为支撑。在大量样本下会有较好的表现，不适用于输入向量的特征条件有关联的场景。
基本思想
(1)病人分类的例子
某个医院早上收了六个门诊病人，如下表：
现在又来了第七个病人，是一个打喷嚏的建筑工人。请问他患上感冒的概率有多大?
根据贝叶斯定理：
因此，这个打喷嚏的建筑工人，有66%的概率是得了感冒。同理，可以计算这个病人患上过敏或脑震荡的概率。比较这几个概率，就可以知道他最可能得什么病。
这就是贝叶斯分类器的基本方法：在统计资料的基础上，依据某些特征，计算各个类别的概率，从而实现分类。
(2)朴素贝叶斯分类器的公式
假设某个体有n项特征(Feature)，分别为F1、F2、…、Fn。现有m个类别(Category)，分别为C1、C2、…、Cm。贝叶斯分类器就是计算出概率最大的那个分类，也就是求下面这个算式的最大值：
