背景介绍

什么是分类器？

分类器是一种机器学习模型，用于基于某些特征来区分不同的对象。

朴素贝叶斯分类器的原理：

朴素贝叶斯分类器是一种概率性机器学习模型，用于分类任务。分类器基于贝叶斯定理。

贝叶斯定理：

使用贝叶斯定理，我们可以找到已知B发生，A发生的可能性。在这里，B是证据，A是假设。这里所做的假设是预测变量/特征是独立的。也就是说，一个特定功能的存在不会影响其他功能。因此，它被称为朴素。

例如：

让我们以一个例子来获得更好的直觉。考虑打高尔夫球的问题。数据集如下所示。

根据一天的特点，我们对一天是否适合打高尔夫球进行分类。列代表这些功能，行代表各个条目。如果我们取数据集的第一行，则可以观察到如果前景多雨，温度高，湿度高且不大风，则不适合打高尔夫球。我们在此做出两个假设，如上所述，我们认为这些预测变量是独立的。即，如果温度高，则不一定表示湿度高。这里所做的另一个假设是，所有预测变量对结果的影响均等。即，有风的日子在决定是否打高尔夫球方面没有更多的重要性。

根据此示例，贝叶斯定理可以重写为：

变量y是类别变量（打高尔夫球），它表示是否适合打高尔夫球或没有给定条件。变量X代表参数/特征。

X给出为：

这里的x_1，x_2….x_n代表这些特征，即可以将它们映射到外观，温度，湿度和大风。通过替换X并使用链式规则扩展，我们得到：

现在，您可以通过查看数据集并将其替换为方程式来获取每个值。对于数据集中的所有条目，分母不会更改，而是保持不变。因此，可以去除分母并且可以引入比例。

在我们的例子中，类变量（y）只有两个结果，是或否。在某些情况下，分类可能是多元的。因此，我们需要找到概率最大的y类。

使用上面的函数，我们可以得到给定预测变量的类。

朴素贝叶斯分类器的类型：
多项式朴素贝叶斯：
这主要用于文档分类问题，即文档是否属于体育，政治，技术等类别。分类器使用的特征/预测词是文档中出现的单词的频率。
伯努利·朴素贝叶斯：
这类似于多项式朴素贝叶斯，但预测变量是布尔变量。 我们用于预测类变量的参数仅采用yes或no值，例如，是否在文本中出现单词。
高斯朴素贝叶斯：
当预测变量采用连续值并且不是离散值时，我们假定这些值是从高斯分布中采样的。

高斯分布（正态分布）

由于值在数据集中的显示方式发生了变化，因此条件概率公式变为：

结论：

朴素贝叶斯算法主要用于情感分析(NLP问题)，垃圾邮件过滤，推荐系统等。它们快速，易于实现，但最大的缺点是预测变量要求独立。在大多数现实生活中，预测变量是相互依赖的，这会妨碍分类器的性能。