shyangel1 2017-03-15

貝葉斯分類器的分類原理是透過某物件的先驗機率，利用貝葉斯公式計算出其後驗機率，即該物件屬於某一類的機率，選擇具有最大後驗機率的類作為該物件所屬的類。。也就是說，貝葉斯分類器是最小錯誤率意義上的最佳化。目前研究較多的貝葉斯分類器主要有四種，分別是：Naive Bayes、TAN、BAN和GBN。

貝葉斯網路是一個帶有機率註釋的有向無環圖，圖中的每一個結點均表示一個隨機變數，圖中兩結點間若存在著一條弧，則表示這兩結點相對應的隨機變數是機率相依的，反之則說明這兩個隨機變數是條件獨立的。網路中任意一個結點X 均有一個相應的條件機率表（Conditional Probability Table，CPT），用以表示結點X 在其父結點取各可能值時的條件機率。若結點X 無父結點，則X 的CPT 為其先驗機率分佈。貝葉斯網路的結構及各結點的CPT 定義了網路中各變數的機率分佈。

1，它是一種典型的生成學習方法，其生成方法是由訓練資料學習聯合機率分佈P（X，Y），具體來說就是利用訓練資料學習P（Y）和P（X|Y）的估計：P（X，Y） = P（Y）P（X|Y），其機率估計方法是極大似然估計或者貝葉斯估計都行~~~

2，另一個要注意的點是樸素貝葉斯的基本假設是條件獨立性。

<；img alt="貝葉斯分類器和其他分類器的區別" data-isLoading="0" src="/static/img/blank.gif" data-src=“https：//pic3。zhimg。com/a30b1bc50b2724e706a2a1489d5c3566_b。png” data-rawwidth=“586” data-rawheight=“127” class=“origin_image zh-lightbox-thumb” width=“586” data-original=“https：//pic3。zhimg。com/a30b1bc50b2724e706a2a1489d5c3566_r。png”>；（因為網上沒有找到這個公式，所以我自己打開了word~自從數學建模後就沒編輯過這麼複雜的公式，2333~）（因為網上沒有找到這個公式，所以我自己打開了word~自從數學建模後就沒編輯過這麼複雜的公式，2333~）

這會使模型包含的條件機率的數量減少，因而樸素貝葉斯法高效，易於實現，但也有缺點，就是其分類的效能不一定很高。

3，樸素貝葉斯發利用貝葉斯定理與學到的聯合機率模型進行分類預測，

<；img alt="貝葉斯分類器和其他分類器的區別" data-isLoading="0" src="/static/img/blank.gif" data-src=“https：//pic4。zhimg。com/e44d6c204afe213a97a7912f800140cf_b。png” data-rawwidth=“408” data-rawheight=“106” class=“content_image” width=“408”>；將輸入x分到後驗機率最大的類y。將輸入x分到後驗機率最大的類y。

<；img alt="貝葉斯分類器和其他分類器的區別" data-isLoading="0" src="/static/img/blank.gif" data-src=“https：//pic2。zhimg。com/050ca4ffcf2835c61a2bfd37abcf6ea9_b。png” data-rawwidth=“499” data-rawheight=“75” class=“origin_image zh-lightbox-thumb” width=“499” data-original=“https：//pic2。zhimg。com/050ca4ffcf2835c61a2bfd37abcf6ea9_r。png”>；後驗機率最大等價於0-1損失函式時的期望風險最小化。。。

後驗機率最大等價於0-1損失函式時的期望風險最小化。。。