1. 贝叶斯准则
首先介绍一下基本概念（概率论基础就不多了）：
-
：d维特征向量
-
：分类编号，对于二分类问题就是{0，1}或者{-1， +1}
-
：先验概率
-
：证据因子（d维特征空间的特征分布）
-
：联合概率密度函数
-
：类条件密度
-
：后验概率
- 贝叶斯准则
设是一个损失函数，其中
表示预测的分类，
表示真实的分类，那么这个损失函数就是：
我们想要寻找一个最优的判定准则，使得分类的平均损失最小：
计算可得贝叶斯最优分类器：
可以看到，对于一个分类模型，关键在于计算后验概率 。直接建模估计后验概率
的被称为判别模型（discriminative model）；而根据贝叶斯公式，估计先验概率
和条件概率
的模型被称为生成模型（generative model）。
常见的生成模型包括朴素贝叶斯，隐马可夫模型等；常见的判别模型有决策树、神经网络、SVM等。
2. 朴素贝叶斯
上面提到的贝叶斯分类器需要估计联合概率，在计算上会遇到组合爆炸的问题。而朴素贝叶斯假设特征之间相互独立，可以说是非常简单朴素的假设，又被叫做“Idiot's Bayes”。
特征向量的所有d个特征都是相互独立的，因此可以得到：
根据上面贝叶斯判定准则，可以得到朴素贝叶斯的判定准则：
朴素贝叶斯虽然很简单，但是应用仍然很广泛。
放一个调用sklearn的代码（调包真的快乐）：
from sklearn.datasets import load_iris
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score
data = load_iris() #读入iris数据集
X, y, column_names = data['data'], data['target'], data['feature_names']
X = pd.DataFrame(X, columns=column_names)
X_train, X_val, y_train, y_val = train_test_split(X,y, random_state=44) #划分训练集和测试集
model = GaussianNB() #调用朴素贝叶斯模型
model.fit(X_train, y_train) #训练
acc = accuracy_score(y_val, model.predict(X_val)) #预测
print(acc)
# 0.9210526315789473
如果想自己实现朴素贝叶斯，也可以参考：https://towardsdatascience.com/implementing-naive-bayes-in-2-minutes-with-python-3ecd788803fe
