本文實例講述了樸素貝葉斯分類算法原理與Python實現與使用方法。分享給大家供大家參考，具體如下：

樸素貝葉斯分類算法

1、樸素貝葉斯分類算法原理

1.1、概述

貝葉斯分類算法是一大類分類算法的總稱

貝葉斯分類算法以樣本可能屬于某類的概率來作為分類依據

樸素貝葉斯分類算法是貝葉斯分類算法中最簡單的一種

注：樸素的意思是條件概率獨立性

P(A|x1x2x3x4)=p(A|x1)*p(A|x2)p(A|x3)p(A|x4)則為條件概率獨立
P(xy|z)=p(xyz)/p(z)=p(xz)/p(z)*p(yz)/p(z)

1.2、算法思想

樸素貝葉斯的思想是這樣的：

如果一個事物在一些屬性條件發生的情況下，事物屬于A的概率>屬于B的概率，則判定事物屬于A

通俗來說比如，你在街上看到一個黑人，我讓你猜這哥們哪里來的，你十有八九猜非洲。為什么呢？

在你的腦海中，有這么一個判斷流程：

①、這個人的膚色是黑色 <特征>
②、黑色人種是非洲人的概率最高 <條件概率：黑色條件下是非洲人的概率>
③、沒有其他輔助信息的情況下，最好的判斷就是非洲人

這就是樸素貝葉斯的思想基礎。

再擴展一下，假如在街上看到一個黑人講英語，那我們是怎么去判斷他來自于哪里？

提取特征：

膚色： 黑
語言： 英語

黑色人種來自非洲的概率： 80%
黑色人種來自于美國的概率：20%

講英語的人來自于非洲的概率：10%
講英語的人來自于美國的概率：90%

在我們的自然思維方式中，就會這樣判斷：

這個人來自非洲的概率：80% * 10% = 0.08
這個人來自美國的概率：20% * 90% =0.18

我們的判斷結果就是：此人來自美國！

其蘊含的數學原理如下：

p(A|xy)=p(Axy)/p(xy)=p(Axy)/p(x)p(y)=p(A)/p(x)*p(A)/p(y)* p(xy)/p(xy)=p(A|x)p(A|y)

P(類別 | 特征)=P(特征 | 類別)*P(類別) / P(特征)

1.3、算法步驟

①、分解各類先驗樣本數據中的特征
②、計算各類數據中，各特征的條件概率
（比如：特征1出現的情況下，屬于A類的概率p(A|特征1)，屬于B類的概率p(B|特征1)，屬于C類的概率p(C|特征1)......）
③、分解待分類數據中的特征（特征1、特征2、特征3、特征4......）
④、計算各特征的各條件概率的乘積，如下所示：
判斷為A類的概率：p(A|特征1)*p(A|特征2)*p(A|特征3)*p(A|特征4).....
判斷為B類的概率：p(B|特征1)*p(B|特征2)*p(B|特征3)*p(B|特征4).....
判斷為C類的概率：p(C|特征1)*p(C|特征2)*p(C|特征3)*p(C|特征4).....
......
⑤、結果中的最大值就是該樣本所屬的類別

1.4、算法應用舉例

大眾點評、淘寶等電商上都會有大量的用戶評論，比如：