发帖
雷达卡
Bayes法是一种在已知先验概率与类条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体。
设训练样本集分为M类，记为C=｛c(1)，…，c(i)，…c(M)}，每类的先验概率为P(c(i))，i=1，2，…，M。当样本集非常大时，可以认为 P(c(i))=c(i)类样本数/总样本数。对于一个待分样本X，其归于c(j)类的类条件概率是P(X/c(i))，则根据Bayes定理，可得到c(j)类的后验概率 P(c(i)/X)：
P(c(i)/x)=P(x/c(i))·P(c(i))/P(x) -----------------（1）
若P(c(i)/X)=MaxjP(c(j)/X)，i=1,…,M，j=1,…,M， -----------------（2）
则有x∈c(i) 。式(2)是最大后验概率判决准则，将式(1)代入式(2)，则有：
若P(x/c(i))P(c(i))=Max_{j}［P(x/c(j))P(c(j))］，i=1，2，…，M，j=1，2，…，M，则x∈c(i)
这就是常用到的Bayes分类判决准则。经过长期的研究，Bayes分类方法在理论上论证得比较充分，在应用上也是非常广泛的。Bayes方法的薄弱环节在于实际情况下，类别总体的概率分布和各类样本的概率分布函数（或密度函数）常常是不知道的。为了获得它们，就要求样本足够大。另外，Bayes法要求表达文本的主题词相互独立，这样的条件在实际文本中一般很难满足，因此该方法往往在效果上难以达到理论上的最大值。
（原帖出处 http://apps.hi.baidu.com/share/detail/7428796 略作修改）
欲知晓了解更多：数据挖掘现场班https://bbs.pinggu.org/thread-1409460-1-1.html
京公网安备 11010802022788号
