贝叶斯定理原理：
贝叶斯定理解决了现实生活李经常遇到的问题：已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P（A|B）的情况下如何求P（B|A）.
朴素贝叶斯分类器：
（假定每个样本与其他样本的特征都不相关）
朴素贝叶斯分类方法，是利用贝叶斯定理来预测一个未知类别的样本属于各个类别的可能性，选择其中可能性最大的一个类别作为该样本的最终类别。
一般我们可以认为属性，样本不相关性越强效果越好！
朴素贝叶斯分类器的公式：
朴素贝叶斯和贝叶斯定理的最大差别就是朴素贝叶斯假定我们所有特征都是独立的
朴素贝叶斯还可以被分为 高斯朴素贝叶斯、多元朴素贝叶斯、伯努利朴素贝叶斯。
高斯分布：左右两边少，中间多。类比与富人少，穷人少，中产阶级多。
大量的样本的情况下，离散化的效果更优。朴素贝叶斯一般都用到离散化。
对于离散特征数据来说，比如文本分类，多元分布 和 伯努利分布更加流行。
朴素贝叶斯的分类过程：
朴素贝叶斯的优缺点：
?
朴素贝叶斯和回归算法的异同：
相同点：
????????这两种算法都是条件概率，解释性强
不同点：
? ? ? ? 1.逻辑回归对属性要求不高，朴素贝叶斯要求各属性独立
? ? ? ? 2.朴素贝叶斯是生成模型，需要计算联合概率分布。逻辑回归是一个判别模型，可以直接计算概率
????????实际当中，当数据较小时一般优先考虑朴素贝叶斯，可以得到比较好的分类效果。数据量较大的时候就优先考虑逻辑回归。