分类算法——贝叶斯分类（二）

      上篇文章主要介绍了朴素贝叶斯分类的思想，感兴趣的可以参看分类算法——朴素贝叶斯分类(一)，本文主要讲解朴素贝叶斯的定义以及、流程以及阶段的划分。

      朴素贝叶斯的定义如下：

    那么现在的关键就是如何计算步骤3中各个条件概率。我们可以这么做：

    因为分母对于所有类别为常数，因为我们只要将分子最大化即可。又因为各特征属性是条件独立的，所以有：

       根据上述分析，朴素贝叶斯分类的流程可以由下图表示：

    可以看到，整个朴素贝叶斯分类分为三个阶段：

    第一阶段——准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。

    第二阶段——分类器训练阶段，这个阶段的任务就是生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。这一阶段是机械性阶段，根据前面讨论的公式可以由程序自动计算完成。

    第三阶段——应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成。

文献来源：算法杂货铺——分类算法之朴素贝叶斯分类(Naive Bayesian classification)