贝叶斯曲线算法：朴素贝叶斯 Naive Bayes

贝叶斯曲线算法：朴素贝叶斯 Naive Bayes换个表达式可能理解的就会更加透彻：P(A|B)：是后验概率（Posterior Probability）：基于给定的B，A发生的概率，即已知B发生，A发生的概率。P(A)：它是先验该率（Prior Probability），是A发生的概率。P(B)： 是边际可能性（Marginal Likelihood）：是B发生的概率。P(B|A)：是可能性（likelihood），基于给定的A，B发生的概率，即已知A发生，B发生的概率。

算法回顾

图片来源：https://medium.com/machine-learning-101/chapter-1-supervised-learning-and-naive-bayes-classification-part-1-theory-8b9e361897d5

贝叶斯分类算法属于有监督机器学习（Supervised Learning）。贝叶斯分类器是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。其中朴素贝叶斯分分类是贝叶斯分类中最简单的，也是最常见的一种分类方法。

朴素贝叶斯分类算法的核心如下公式：

P(A)：它是先验该率（Prior Probability），是A发生的概率。

P(B)： 是边际可能性（Marginal Likelihood）：是B发生的概率。

P(B|A)：是可能性（likelihood），基于给定的A，B发生的概率，即已知A发生，B发生的概率。

P(A|B)：是后验概率（Posterior Probability）：基于给定的B，A发生的概率，即已知B发生，A发生的概率。

换个表达式可能理解的就会更加透彻：

以下是从Udemy上借鉴的一个例子：

假设有两个特征，分别为工资（Salary）和年龄（Age），已知有两种分类分别为：步行（Walks）和自驾（Drives），如上图所示。

当有一个新数据点进来时（如灰色点），基于给定它的特征工资和年龄，应该把它分为哪类？

其中，$P(Walks) = {10} \over {30}$，$P(Drives)={20} \over {30}$。