Naive Bayes贝叶斯
X，Y是一对随机变量，P(X,Y)表示它们的联合概率， P(X|Y) 和P(Y|X)表示条件概率，X和Y的联合概率和条件 概率满足下列关系：
贝叶斯定理
X 代表属性集 Y 代表类变量
训练阶段：对 X 和 Y 的每一种组合学习后验概率 P( Y | X )
预测阶段：找出使后验概率P( Y '| X') 最大的类Y'，对测试记录进行分类。
例如：
上面例子对于预测的数据比较属于哪类的概率大小。
举例分类介绍：
数据元组属性： age, income, student, credit_rating • 类标号属性：buys_computer(具有2个值：yes
， no)
令C1对应于类buys_computer=yes
C2对应于类buys_computer=no
假设需要预测的分类元组为：
X=（age=youth, income=medium, student=yes, credit_rating=fair ）
参照朴素贝叶斯分类器 需要找到最大化的P（X|Ci）P(Ci),其中i=1，2