朴素贝叶斯
刚刚学完朴素贝叶斯就来和大家一起分享了啊哈哈哈哈哈，个人一直感觉贝叶斯是一个很神奇的理论，因为相比于其他的概率，我们先求的是我们结果发生的概率，然后是在已经知道结果的基础上去判断出我们事件发生的概率。同时会引入我们的先验概率，后验概率，条件概率。我们先来看看文邹邹的解释。
至于为什么叫他朴素?
还不是因为在他的理解和判断中所有的标签相互独立，我们下面通过一个小小的咧子一起来学习一下吧
小例子
我们现在给出两个特征和一个结果，具体分析一下
什么是先验概率？
就是我们啥也不看，直接看结果的标签概率，我们可以看到这里一个只有两种可能
男： 1/2
女： 1/2
好的恭喜已经会先验概率了，就是直接把我们结果的所有可能的占比求出
什么是后验概率？
这也是我觉得神奇的地方，我们假设我们已经知道了结果，然后去求他们标签出现的概率，他也是属于条件概率的一种
在我们已经知道性别的情况下，他们标签所占地比值
p（高|男生）:2/5 ——————p（高|女生）:0/5
p（中|男生）:2/5 ——————p（中|女生）:4/5
p（低|男生）:1/5 ——————p（低|女生）:1/5
p（重|男生）:3/5 ——————p（重|女生）:2/5
p（轻|男生）:2/5 ——————p（轻|女生）:3/5
这里注意我们的分母就是我们所在当前结果的总和
应用
现在我告诉你
体重：重
身高：中
性别：？？？
好的现在我们就可以用我们的朴素贝叶斯了，下面的其实是全概率公式
我们刚刚不是求出了各种的条件概率吗
我们先看看如果是男生的概率： p（重|男生）:3/5 乘以 p（中|男生）:2/5
我们再来看看如果是女生的概率 p（重|女生）:2/5 乘以 p（中|女生）:4/5
这些的乘集就是公式的分子
在假设是男生的情况下 分子：6/25
再假设是女生的情况下 分子：8/25
我们的分母是全概率公式，也就是我们的分母是相同的
于是在这样的条件下，我们分子大的，概率就自然就高了，很明显在这里我们会把它判断成女生
应用
嘿嘿，向我们语义的识别，判断是不是垃圾邮件呀，因为这些，我们可以去获取里面单个的标签的频数，已经我们结果的数目，这样又回到我们的朴素贝叶斯了，当如如果我们学得更加深入的话，还会了解到连续性的随机变量，以及我们的平滑曲线，有兴趣的话可以去了解一下，小唐算是给我们大家开了一个头啊哈哈哈哈哈。
