1.理论基础（可通过本小节的简单说法开始）
通过新进来样本的特征（特征）来估计该样本类别的概率就是后验概率，来最小化决策风险即由特征得属于哪一类别的概率，计算方法有两类：（1）通过判别式模型（如支持向量机，决策树等）直接对后验概率进行建模预测（略过）;（2）后验概率通过贝叶斯定理，将后验概率转换为基于训练集d估计先验概率和似然（即样本X相对于类标记的类条件概率，p（X | C）），简言之，通过给定样本集（带类别），去统计一些概率值（中学简单的占多少比例），通过贝叶斯定理（公式（1）中，套进去算），得到样本属于某个类别的后验概率，看该样本在哪个类别的概率值大，则属于哪个类别。 p（c│x）=（p（x | c）p（c））/（p（x））公式（1） 其中，先验概率p（c）的计算在样本集中是通过计算各类目标所占得比例，即频率。根据大数定理，该频率即为概率p（C）;条件概率p（X | C）中严格计算的话是样本特征的联合概率，很难计算，且容易在数据上遭遇样本稀疏问题，所以为了简单运算，设定样本的特征之间独立分布，故公式（1）可写为公式（2）。这就是朴素贝叶斯的由来，简化。！[这里写图片描述]（https://img-blog.csdn.net/20180323140717759?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzE1MjIwMzU3/font/5a6L5L2T/字号/ 400 /填充/ I0JBQkFCMA == /溶解/ 70）
先这样，准备听宣讲去了