朴素贝叶斯
大纲：
1. 贝叶斯定理
2. 贝叶斯分类及公式推导
3. 后验概率最大化的含义
4. 朴素贝叶斯的参数估计（拉普拉斯平滑）
a.为什么要使用拉普拉斯平滑
“用极大似然估计可能会出现所要估计的概率值为0的情况，这是会影响后验概率的计算结果，使分类产生偏差。”
——《统计学习方法》
公式如下：
解释：在数据中可能会有某些类别的值缺失，例如一个特征的取值为（1、2、3），但在数据中缺少1这个值的记录，不做拉普拉斯平滑，P(x=1|y=k)的先验概率就是0，当测试集给定的特征包含1这个值，因为它先验概率的影响，该样本的后验概率值就是0，直接影响了分类器的效果。
5. 朴素贝叶斯为什么朴素
简单的说，朴素贝叶斯假设数据中的每个特征看作独立分布，忽略了特征之间的联系。
6. 参考
a. 算法杂货铺——分类算法之朴素贝叶斯分类(Naive Bayesian classification)
b. 《统计学习方法》P47-P53