本文主要向大家介绍了【云计算】分类算法：朴素贝叶斯(NBC)详解，通过具体的内容向大家展现，希望对大家学习云计算有所帮助。

朴素贝叶斯是基于贝叶斯定义与独立同分布假设的分类算法

朴素贝叶斯公式：

推到过程：

1、条件概率：

2、联合概率：

3,、P(X,Y)的联合概率等于P(Y,X)的联合概率，即：

4、P(Y,X)的联合概率：


参数含义：

yi：指的是具体的某一个类别

Y：指的是类别的集合，例如Y={军事、财经、体育}

X：某一篇文章

xi：文章中的具体某一个词

概率含义：

P(yi"X)：给定一篇文章属于某一个类别的概率值

P(yi)：先验概率

举个列子说明一下：

假设有篇文章，其中篇50是军事、30篇是财经、20篇是体育

P(y=军事) = 50 / 100

P(y=财经) = 30 / 100

P(y=体育) = 20 / 100

P(X)：某篇文章的概率，这个概率是一个固定值，可以忽略的

例如：100篇文章，其中某一篇文章的概率值就是1/100

P(X|yi)：对于y指定的类别中，出现X的概率

P(xi|yi)：对于y指定类别中出现x这个分词的概率

举个例子：

y=军事，x=军舰

P(x=军舰|y=军事) = 军舰在所有军事文章出出现的次数/军事文章的总词数

举例说明一下P(X|yi)与P(xi|yi)的关系：

注意：假设独立同分布

X={军舰、大炮、航母}

y=军事

P(X|y=军事) = P(x=军舰|y=军事)*P(x=军大炮|y=军事)*P(x=航母|y=军事)

这个公式推导成立必须假设独立同分布

那么P(yi|X)就可化简成：

P(yi|X)≈P(yi)*P(X|yi)

P(X)是一个常数可以忽略

所以现在只需求P(yi)和P(X|yi)，其中P(X|yi)我们就可以通过P(xi|yi)来计算

我们采取最大似然估计来计算P(yi)和P(X|yi)

1、P(yi)似然估计：

举例说明：

总共训练数据1000篇，其中据军事类300篇，科技类240篇，生活类240篇，生活类140篇，。。。。

P(军事)=0.3，P(科技)=0.24,P(生活)=0.14，。。。。

2、P(xi|yi)似然估计：

Count(yi)：是指类对应类别yi的文章有多少篇

Count(xj,yi)：出现xi这个词的yi类别文章有多少篇

例如：

总共训练数据1000篇，其中据军事类300篇，科技类240篇，生活类240篇，生活类140篇，。。。。

军事类新闻中，谷歌出现15篇，投资出现9篇，上涨出现36篇

P(谷歌"军事)=0.05，P(投资|军事)=0.03，P(上涨|军事)=0.12

到这一步我们就可以求得朴素贝叶斯公式需要的两类参数：

1、先验概率P(yi)

2、条件概率P(X|yi)

计算出这两类参数，我们就可以建立模型，做预测了

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据安全频道！