朴素贝叶斯分类算法（Naive Bayes Classifier）
这个算法用的少，但是我真的想好好搞搞。写的过程，才是思考的过程。
朴素贝叶斯分类是较为简单的一种基于概率的分类方法。首先先说一下贝叶斯公式。
贝叶斯公式
贝叶斯公式有如下的形式：
（1）
对于分类而言，可以换一种描述方式：
（2）
在实际的应用中，某特征是由多个子特征构成的，比如说：
（3）
那么，公式（2）就可以描述为：
（4）
而朴素贝叶斯分类的“朴素”是什么意思呢，就是公式（3）中的各个子特征是相互独立的，那么，
（5）
那么，为什么要相互独立呢，可以想一想，如果不相互独立的话，那么，我们求
时，必须找到同时满足这些子特征概率，而不是单个子特征概率的乘积。当然， 也可以看到，如果假设相互独立的话，用于后续的分类会有偏差。
朴素贝叶斯分类
其实在上面已经说明了朴素贝叶斯分类的公式，比如说，当公式（4）的概率值如果大于0.5就是某个类，如果小于0.5就是另外一个类。下面用一个例子来说明。
例如，下面的例子，表格中的数据样本集，他们的类别只有0,1，特征有：特征1，特征2，特征3.
现在，新来了一个数据其特征为：（特征1=3，特征2=5，特征3=7），那么，它应该分到0类，还是分到1类呢。
根据朴素贝叶斯公式：
则
同理，
则
显然，
所以，我们就把新来的特征分到0类。