2024年6月14日发(作者：)

朴素贝叶斯分类原理

朴素贝叶斯（NaiveBayes）分类法是一种用来建立分类模型的算

法，它基于贝叶斯定理和特征条件独立假设（即“naive”），其基本

思想是：对实例进行分类时，首先基于已知的训练数据集，求出每个

类别的先验概率以及每个特征条件下各个类别的条件概率，然后将这

些概率应用到预测数据中，基于求出的后验概率最大的类别来预测

2017 年 9 月发生可能性最大的类别.

贝叶斯定理是概率论的基础，它公式为：

P(A|B)=P(B|A)*P(A)/P(B)，其中：P(A|B)表示“B已发生的条件下A

发生的概率”；P(B|A)表示“A已发生的条件下B发生的概率”；P(A)

表示“A发生的概率”；P(B)表示“B发生的概率”.

朴素贝叶斯分类法的一般过程如下：

1.计算训练数据集中每个类别的先验概率P(Ci)。

2.对每个特征Xi，计算训练数据集中每个类别Ci 中Xi取各种

值的条件概率P(Xi|Ci)。

3.对于给定的观测数据，利用上述公式计算出每个类别Ci 的后

验概率P(Ci|X)。

4.由后验概率最大的类别作为给定数据的分类结果。

二、朴素贝叶斯分类原理的优缺点

朴素贝叶斯分类法的优点：

1.朴素贝叶斯分类法是一种简单高效的贝叶斯算法，它易于理解

和实现；

- 1 -

2.朴素贝叶斯分类法在处理分类问题时，只需要一些假设即可，

而不需要大量训练数据；

3.朴素贝叶斯分类法可以处理多类别分类中的一些关联特征；

4.朴素贝叶斯分类法算法比较方便，不需要做特征选择。

朴素贝叶斯分类法的缺点：

1.朴素贝叶斯分类法假设特征之间相互独立，这个假设在实际应

用中往往难以成立；

2.朴素贝叶斯分类法需要计算先验概率，而在某些时候先验概率

可能困难获取；

3.由于朴素贝叶斯分类法是基于概率模型，而概率模型运行的效

率是较低的。

- 2 -