机器学习 朴素贝叶斯与贝叶斯网络_贝叶斯网络和朴素贝叶斯的区别

一.朴素贝叶斯
1.概述
(1)概念:

"贝叶斯分类"(Bayes Classification)是以贝叶斯定理为基础的分类算法的总称.而"朴素贝叶斯"(Naive Bayes)则是其中最简单,最常见
的1种分类方法,常用于文本分类/欺诈检测/人脸识别."朴素"是指该算法的2个假设:
①特征独立性:每个特征的概率分布都与其他特征独立
②特征均衡性:每个特征都同等重要
1
2
3
4

(2)步骤:

设全部类别为c1,c2...cm,特征向量为x=(x1,x2...xn)
①计算P(x|ci),P(c),P(x)
②根据贝叶斯公式计算P(ci|x)
③如果P(ci|x)=max{
   P(c1|x),P(c2|x)...P(cm|x)},则x∈ci
1
2
3
4
5

(3)实例:

假设已经有1000封被标记好了($c_1$表示垃圾邮件,$c_2$表示非垃圾邮件)的邮件,要求识别第1001封邮件是否为垃圾邮件.首先构建词汇表,设其中的单词数为$N=n$.将邮件$m$映射到$n$维向量$x$ m → x = ( x 1 , x 2 . . . x n ) x i = { 1   i f   单 词 w i 在 m 中 出 现 过 0   o t h e r w i s e m→x=(x_{1},x_{2}...x_{n})\\x_{i}=

$$\begin{cases}1\:if\:单词w_i在m中出现过\\0\:otherwise\end{cases}$$ m→x=(x1​,x2​</