在机器学习分类算法中，大多数的分类算法，比如决策树，KNN，SVM等，他们都是判别方法，也就是直接学习出特征输出Y和特征X之间的关系，要么是决策函数 Y=f(x) ,要么是条件分布 P(Y|X)。

但是朴素贝叶斯却是生成方法，也就是直接找出特征输出Y和特征X的联合分布P(Y,X)，然后用 P(Y|X)= P(Y, X) /P(X)得出。 朴素贝叶斯很直观，计算量也不大，在很多领域有广泛的应用。

相关统计学知识：

条件概率公式：

接着有全概率公式：

以此得出贝叶斯定理：

其中，X表示属性集，Y表示类变量，P(Y)为先验概率，P(X|Y)为类条件概率，P(X)为证据，P(Y|X)为后验概率。贝叶斯分类模型就是用先验概率P(Y)、类条件概率P(X|Y)和证据P(X)来得出联合分布P(X,Y)，进而表示后验概率。

朴素贝叶斯模型：

朴素：特征条件独立的假设

贝叶斯：基于贝叶斯定理

基本过程如下：

训练集TrainingSet= {(x1,y1),(x2,y2),...,(xN,yN)}包含N条训练数据， 输出的类别yi∈{c1,c2,...cK}属于K类中的一类。

从样本我们可以学习得到朴素贝叶斯的先验分布 P(Y=Ck)，也就是训练集里面出现的频率；

接着学习到条件概率分布P(X=X1,X=X2… | Y=Ck)，然后我们就可以用贝叶斯公式得到X和Y的联合分布P(X,Y)了。

而朴素贝叶斯主要在条件概率分布上进行了以下处理：

可以看出，这个很难的条件分布大大的简化了，但是这也可能带来预测的不准确性。一般情况下，样本的特征之间独立这个条件的确

是弱成立的，尤其是数据量非常大的时候。虽然我们牺牲了准确性，但是得到的好处是模型的条件分布的计算大大简化了，这就是贝

叶斯模型的选择。

朴素贝叶斯的参数估计：

当属性变量是离散值时，我们可以使用上述以频率估计条件概率的方法。但在某些时候，可能某些类别在样本中没有出现，这样可能

导致某一部分条件概率为0：P(Xj =xj |Ck)=0，这样会影响后验的估计，为了解决这种情况，我们可以引入拉普拉斯平滑进行处理。

但当属性变量是连续变量时，我们可以采取以下几种方法对条件概率进行估计：

1）把连续的属性离散化，用相应的离散空间替换连续的值。但这种方法不太好区分划分粒度，容易引起误差。

2）假设连续变量服从某种概率分布，通常是高斯分布，然后使用训练数据估计分布函数的参数，也就是高斯分布的均值和方差，进而得到条件概率分布。还有一种进阶的方法是使用混合高斯模型，利用EM算法进行求解。

3）核密度估计：是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。没有时间细写了，可以参考：http://www.cnblogs.com/wt869054461/p/5935992.html