贝叶斯法则
贝叶斯分类算法是一大类分类算法的总称
贝叶斯分类算法以样本可能属于某类的概率来最为分类的依据
朴素贝叶斯
朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。其中“朴素”的意思就是条件概率独立性。
朴素贝叶斯的思想：如果一个事物在一些属性条件发生的情况下，事物属于A的概率大于属于B的概率，则判定该事物属于A。
数学原理：P(类别 | 特征) = P(特征 | 类别) * P(类别) / P(特征)
-
高斯朴素贝叶斯
高斯贝叶斯是用来处理连续型变量的分类问题，例如：人的身高，特征1：身高为160cm以下；特征2：身高为160cm到170cm；特征3：身高为170cm以上。这个例子看似是个离散型分类，但是里面存在着连续变量，为了更好地解决这种问题，我们可以用高斯朴素贝叶斯。 -
多项式朴素贝叶斯
多项式朴素贝叶斯是用来处理离散型变量的分类问题。常用于文本分类，特征是单词，值是单词出现的次数。
多项式模型在计算先验概率P(yk)和条件概率P(xi|yk)时，会做一些平滑处理，平滑方法是为了解决零概率问题。
比较常用的平滑处理有：拉普拉斯平滑(Laplace Smoothing)，又称为加1平滑。
平滑处理公式为：
先验概率：
(注：N是总的样本个数，k是总的类别个数，Nyk是类别为yk的样本个数， α是平滑值)；条件概率：
（注：Nyk是类别为yk的样本个数，n是特征的维数，Nykxi是类别样本为yk的样本中，第i维特征的值是xi的样本个数，α是平滑值）。当α = 1时，称作Laplace平滑，当0 < α < 1时，称作Lidstone平滑，当α = 0时不做平滑。
如果不做平滑，当某一维特征的值xi没在训练样本中出现过，会导致P(xi|yk) = 0，从而导致后验概率为0，而平滑处理可以解决这个问题。 -
伯努利朴素贝叶斯
伯努利模型与多项式模型一样，适用于离散型特征，不同的是，伯努利中每个特征的取值只能是1和0(以文本分类为例，某个单词在文档中出现过，则其特征值为1，否则为0)。
在伯努利模型中，条件概率P(xi|yk)的计算方式是：
当特征值xi为1时，P(xi|yk)=P(xi=1|yk)；
当特征值xi为0时，P(xi|yk)=1-P(xi=1|yk)；
这意味着，“没有某个特征”也是一个特征。
