------朴素贝叶斯是一个基于概率的多分类算法
举个例子，周六了，群主加班的概率是0.3，爬山的概率是0.2，和wanxian约会的概率是0.5.这时贝叶斯就会判定群主周六和wanxian约会去了（选概率最大的）。
1、p（Y|X）表示X发生条件下Y发生的概率。p(X,Y)表示两者同时发生的概率。那么我们可以得到：p(Y|X)=p(X,Y)/p(X)=p(X|Y)*p(Y)/p(X)
2、现在我有一组数据，特征X是m行n列，输出Y,有k个类别，那么上式可以改为
p(Y=|
)=p(
=
,
=
,....,
=
|Y=
)*p(Y=
)/p(
)
上式的意义就是这个样本输出为Y=
的概率（最开始我举的例子就是Y=加班/Y=爬山/Y=约会）
现在我们来对这个式子进行简化处理下，因为对某个样本t来说，p()都是一样的，所以我们去掉分母
p(Y=c_{k} |X^(t) )=p(X_{1} =x_{1} ,X_{2} =x_{2} ,....,X_{n} =x_{n} |Y=C_{k} )*p(Y=C_{k} )
此时贝叶斯提出了第一个假设，这n个特征是相互独立的。那么上式可以改为
p(Y=|
)=
p(*p(Y==
|Y=
)*P(
=
|Y=
)*......*p(
=
|Y=
)
)
现在我们要对上面这个式子进行求解
p(Y=)是很容易求解的。我们用样本类别
的数目除以样本的总数目
那带删除线的部分我们怎么求解呢？这时我们引入三种假设
1.如果X是离散的值，那么我们假设X符合多项式分布
2.如果X是非常稀疏的离散值，那么我们假设X符合伯努力分布
上面两种情况，删除线的部分可以理解为在输出类别中，
出现的概率
3.如果X是连续值，我们可以假设他是正态分布
贝叶斯的主要缺点来自于我们推导过程中使用的两个假设：特征不相关（实际上很难符合）；数据符合某种特定分布
