樸素貝葉斯方法是在貝葉斯算法的基礎(chǔ)上進(jìn)行了相應(yīng)的簡化，即假定給定目標(biāo)值時屬性之間相互條件獨(dú)立。也就是說沒有哪個屬性變量對于決策結(jié)果來說占有著較大的比重，也沒有哪個屬性變量對于決策結(jié)果占有著較小的比重。

雖然這個簡化方式在一定程度上降低了貝葉斯分類算法的分類效果，但是在實際的應(yīng)用場景中，極大地簡化了貝葉斯方法的復(fù)雜性。

樸素貝葉斯分類常用于文本分類，尤其是對于英文等語言來說，分類效果很好。它常用于垃圾文本過濾、情感預(yù)測、推薦系統(tǒng)等。

樸素貝葉斯分類器需要三個流程

第一階段：準(zhǔn)備階段

在這個階段我們需要確定特征屬性，并對每個特征屬性進(jìn)行適當(dāng)劃分，然后由人工對一部分?jǐn)?shù)據(jù)進(jìn)行分類，形成訓(xùn)練樣本。

第二階段：訓(xùn)練階段

這個階段就是生成分類器，主要工作是計算每個類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個特征屬性劃分對每個類別的條件概率。

第三階段：應(yīng)用階段

這個階段是使用分類器對新數(shù)據(jù)進(jìn)行分類。輸入是分類器和新數(shù)據(jù)，輸出是新數(shù)據(jù)的分類結(jié)果。

樸素貝葉斯算法的優(yōu)點(diǎn)

1. 樸素貝葉斯模型發(fā)源于古典數(shù)學(xué)理論，有著堅實的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率；

2. 對大數(shù)量訓(xùn)練和查詢時具有較高的速度。即使使用超大規(guī)模的訓(xùn)練集，針對每個項目通常也只會有相對較少的特征數(shù)，并且對項目的訓(xùn)練和分類也僅僅是特征概率的數(shù)學(xué)運(yùn)算而已；

3. 對小規(guī)模的數(shù)據(jù)表現(xiàn)很好，能個處理多分類任務(wù)，適合增量式訓(xùn)練（即可以實時的對新增的樣本進(jìn)行訓(xùn)練）；

4. 對缺失數(shù)據(jù)不太敏感，算法也比較簡單，常用于文本分類；

5. 樸素貝葉斯對結(jié)果解釋容易理解。

整合自：CSDN的LeoShaoQiang、程序員姜小白、百度百科

編輯：jq