思路
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入，利用贝叶斯定理求出后验概率最大的输出y。
朴素贝叶斯法的学习与分类
朴素贝叶斯法学习策略：
y = f ( x ) = a r g max c k P ( Y = c k ) ∏ j P ( X ( j ) = x ( j ) ∣ Y = c k ) y=f(x)=arg\max_{c_k} P(Y=c_k)\prod_{j}P(X^{(j)}=x^{(j)}|Y=c_k) y=f(x)=argckmaxP(Y=ck)j∏P(X(j)=x(j)∣Y=ck)
后验概率最大化：
f ( x ) = a r g max c k P ( c k ｜ X = x ) f(x)=arg\max_{c_k} P(c_k｜X=x) f(x)=argckmaxP(ck｜X=x)
朴素贝叶斯法的参数估计算法
极大似然估计
贝叶斯估计
