樸素貝葉斯方法是在貝葉斯算法的基礎(chǔ)上進(jìn)行了相應(yīng)的簡(jiǎn)化，即假定給定目標(biāo)值時(shí)屬性之間相互條件獨(dú)立。也就是說沒有哪個(gè)屬性變量對(duì)于決策結(jié)果來說占有著較大的比重，也沒有哪個(gè)屬性變量對(duì)于決策結(jié)果占有著較小的比重。

雖然這個(gè)簡(jiǎn)化方式在一定程度上降低了貝葉斯分類算法的分類效果，但是在實(shí)際的應(yīng)用場(chǎng)景中，極大地簡(jiǎn)化了貝葉斯方法的復(fù)雜性。

樸素貝葉斯分類常用于文本分類，尤其是對(duì)于英文等語言來說，分類效果很好。它常用于垃圾文本過濾、情感預(yù)測(cè)、推薦系統(tǒng)等。

樸素貝葉斯分類器需要三個(gè)流程

第一階段：準(zhǔn)備階段

在這個(gè)階段我們需要確定特征屬性，并對(duì)每個(gè)特征屬性進(jìn)行適當(dāng)劃分，然后由人工對(duì)一部分?jǐn)?shù)據(jù)進(jìn)行分類，形成訓(xùn)練樣本。

第二階段：訓(xùn)練階段

這個(gè)階段就是生成分類器，主要工作是計(jì)算每個(gè)類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個(gè)特征屬性劃分對(duì)每個(gè)類別的條件概率。

第三階段：應(yīng)用階段

這個(gè)階段是使用分類器對(duì)新數(shù)據(jù)進(jìn)行分類。輸入是分類器和新數(shù)據(jù)，輸出是新數(shù)據(jù)的分類結(jié)果。

樸素貝葉斯算法的優(yōu)點(diǎn)

1. 樸素貝葉斯模型發(fā)源于古典數(shù)學(xué)理論，有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率；

2. 對(duì)大數(shù)量訓(xùn)練和查詢時(shí)具有較高的速度。即使使用超大規(guī)模的訓(xùn)練集，針對(duì)每個(gè)項(xiàng)目通常也只會(huì)有相對(duì)較少的特征數(shù)，并且對(duì)項(xiàng)目的訓(xùn)練和分類也僅僅是特征概率的數(shù)學(xué)運(yùn)算而已；

3. 對(duì)小規(guī)模的數(shù)據(jù)表現(xiàn)很好，能個(gè)處理多分類任務(wù)，適合增量式訓(xùn)練（即可以實(shí)時(shí)的對(duì)新增的樣本進(jìn)行訓(xùn)練）；

4. 對(duì)缺失數(shù)據(jù)不太敏感，算法也比較簡(jiǎn)單，常用于文本分類；

5. 樸素貝葉斯對(duì)結(jié)果解釋容易理解。

整合自：CSDN的LeoShaoQiang、程序員姜小白、百度百科

編輯：jq