【机器学习算法】：朴素贝叶斯法
我们用极大似然估计参数的原因是因为我们只知道数据集D和模型，单若是在建模之前就呢个获得额外信息，即先验概率P(w)，可以通过这个先验知识简历更加精准的模型。所以当我们认为先验概率P(w)为均匀分布，等于1时最大后验估计与极大似然估计等价。
朴素贝叶斯法是基于贝叶斯定理的分类方法。
朴素贝叶斯分类
朴素贝叶斯法之所以叫朴素，因为其做了一个较强的假设，该假设为：用于分类的特征，在类确定的条件下，都是独立分布的。
李航的统计学习方法中是如下介绍朴素贝叶斯分类原理的~
上述方法中提到，需要我们最大化后验概率，得到最后的结果
后验概率最大化的含义
也就是等价于期望风险最小化。
朴素贝叶斯算法整体流程
0.输入训练数据集
1.计算先验概率和条件概率
2.利用贝叶斯定理计算后验概率（只计算分子部分，因为对于每个实例分母部分都一样）
3.将给定实例分到后验概率最大的类中