朴素贝叶斯分类数据集
朴素贝叶斯分类数据集
朴素贝叶斯分类是一种基于贝叶斯定理的简单概率分类器。
它假设特征之间是相互独立的（即朴素）。
以下是一个使用朴素贝叶斯分类器的数据集示例：
数据集名称：Iris 数据集
数据集来源：Iris 数据集是一个常用的机器学习数据集，包含了150 个样本，每个样本有4 个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）和3 个类别标签（山鸢尾、杂种鸢尾和维吉尼亚鸢尾）。
数据集格式：通常以CSV 格式存储，第一列是标签，后面几列是特征。
数据集示例：
```
标签,花萼长度,花萼宽度,花瓣长度,花瓣宽度
山鸢尾,5.1,3.5,1.4,0.2
杂种鸢尾,4.9,3.0,1.7,0.2
维吉尼亚鸢尾,5.6,3.9,5.1,1.8
...
```
这个数据集可以用Python 的Scikit-learn 库来加载和使用，其中包含了高斯朴素贝叶斯分类器、多项式朴素贝叶斯分类器和伯努利朴素贝叶斯分类器等不同的分类器模型。
例如，使用高斯朴素贝叶斯分类器进行分类的代码示例如下：
```python
from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 创建高斯朴素贝叶斯分类器对象gnb = GaussianNB()
# 使用训练数据训练分类器gnb.fit(X, y)
# 对测试数据进行预测
y_pred = gnb.predict(X)
```。
分类 回归 聚类 常用算法
分类回归聚类常用算法一、分类算法分类算法是机器学习中最常用的算法之一，它用于将数据集划分为不同的类别。
分类算法的目标是通过训练数据集中已知的类别标签来预测未知数据的类别。
常见的分类算法有决策树、朴素贝叶斯、逻辑回归、支持向量机等。
1. 决策树决策树是一种基于树状结构的分类算法。
它通过将数据集划分为不同的子集，使得每个子集中的数据都属于同一类别。
决策树的优点是易于理解和解释，同时对异常值不敏感。
然而，决策树容易过拟合，需要进行剪枝操作来避免这个问题。
2. 朴素贝叶斯朴素贝叶斯算法基于贝叶斯定理和特征之间的独立性假设。
它通过计算每个类别的后验概率来进行分类。
朴素贝叶斯算法的优点是计算简单、速度快，但它对特征之间的相关性较为敏感。
3. 逻辑回归逻辑回归是一种广义线性模型，常用于二分类问题。
它通过将输入特征与权重相乘，并通过一个逻辑函数来预测输出的概率。
逻辑回归的优点是计算简单、易于理解，但它对异常值和噪声数据比较敏感。
4. 支持向量机支持向量机是一种二分类算法，它通过寻找一个超平面来将数据集分割为两个类别。
支持向量机的优点是可以处理高维数据和非线性问题，但它对大规模数据集的训练时间较长。
二、回归算法回归算法用于预测连续型变量的值。
回归算法的目标是通过训练数据集中的自变量和因变量之间的关系来预测未知数据的因变量。
常见的回归算法有线性回归、多项式回归、岭回归、Lasso回归等。
1. 线性回归线性回归是一种最简单的回归算法，它建立了输入特征与输出变量之间的线性关系。
线性回归的优点是计算简单、易于解释，但它对异常值和噪声数据比较敏感。
2. 多项式回归多项式回归是在线性回归的基础上引入了多项式特征的回归算法。
它可以处理非线性关系，并通过增加高次项来拟合数据。
多项式回归的缺点是容易过拟合，需要进行特征选择和模型调优。
3. 岭回归岭回归是一种带有正则化项的线性回归算法。
它通过控制正则化参数来平衡模型的复杂度和拟合能力，从而降低过拟合的风险。
朴素贝叶斯分类器详解及中文文本舆情分析（附代码实践）
朴素贝叶斯分类器详解及中⽂⽂本舆情分析（附代码实践）本⽂主要讲述朴素贝叶斯分类算法并实现中⽂数据集的舆情分析案例，希望这篇⽂章对⼤家有所帮助，提供些思路。
内容包括：1.朴素贝叶斯数学原理知识2.naive_bayes⽤法及简单案例3.中⽂⽂本数据集预处理4.朴素贝叶斯中⽂⽂本舆情分析本篇⽂章为基础性⽂章，希望对你有所帮助，如果⽂章中存在错误或不⾜之处，还请海涵。
同时，推荐⼤家阅读我以前的⽂章了解基础知识。
▌⼀. 朴素贝叶斯数学原理知识朴素贝叶斯（Naive Bayesian）是基于贝叶斯定理和特征条件独⽴假设的分类⽅法，它通过特征计算分类的概率，选取概率⼤的情况，是基于概率论的⼀种机器学习分类（监督学习）⽅法，被⼴泛应⽤于情感分类领域的分类器。
下⾯简单回顾下概率论知识：1.什么是基于概率论的⽅法？通过概率来衡量事件发⽣的可能性。
概率论和统计学是两个相反的概念，统计学是抽取部分样本统计来估算总体情况，⽽概率论是通过总体情况来估计单个事件或部分事情的发⽣情况。
概率论需要已知数据去预测未知的事件。
例如，我们看到天⽓乌云密布，电闪雷鸣并阵阵狂风，在这样的天⽓特征(F)下，我们推断下⾬的概率⽐不下⾬的概率⼤，也就是p(下⾬)>p(不下⾬)，所以认为待会⼉会下⾬，这个从经验上看对概率进⾏判断。
⽽⽓象局通过多年长期积累的数据，经过计算，今天下⾬的概率p(下⾬)=85%、p(不下⾬)=15%，同样的 p(下⾬)>p(不下⾬)，因此今天的天⽓预报肯定预报下⾬。
这是通过⼀定的⽅法计算概率从⽽对下⾬事件进⾏判断。
2.条件概率若Ω是全集，A、B是其中的事件（⼦集），P表⽰事件发⽣的概率，则条件概率表⽰某个事件发⽣时另⼀个事件发⽣的概率。
假设事件B发⽣后事件A发⽣的概率为：设P(A)>0，则有 P(AB) = P(B|A)P(A) = P(A|B)P(B)。
设A、B、C为事件，且P(AB)>0，则有 P(ABC) = P(A)P(B|A)P(C|AB)。
朴素贝叶斯模型的类别
朴素贝叶斯模型的类别全文共四篇示例，供读者参考第一篇示例：朴素贝叶斯模型的分类主要分为三类：高斯朴素贝叶斯、多项式朴素贝叶斯和伯努利朴素贝叶斯。
接下来分别介绍这三种不同类型的朴素贝叶斯模型及其应用场景。
一、高斯朴素贝叶斯高斯朴素贝叶斯模型假设特征的分布服从高斯分布，即特征的概率密度函数为高斯分布。
这种模型适用于连续型特征，例如数值型数据。
在实际应用中，高斯朴素贝叶斯模型通常用于处理连续型数据的分类问题，如人脸识别、手写数字识别等。
二、多项式朴素贝叶斯多项式朴素贝叶斯模型假设特征的分布服从多项式分布，即特征是离散型的且取值范围有限。
这种模型适用于文本分类等问题，其中特征通常是单词或短语的出现次数或权重。
在实际应用中，多项式朴素贝叶斯模型常用于文本分类、垃圾邮件过滤等问题。
朴素贝叶斯模型是一种简单且高效的分类算法，具有快速的训练速度和较好的分类性能。
不同类型的朴素贝叶斯模型适用于不同类型的特征分布和问题类型，可以根据具体情况选择合适的模型来解决分类问题。
在实际应用中，朴素贝叶斯模型被广泛应用于文本分类、垃圾邮件过滤、情感分析等领域，并取得了不错的效果。
第二篇示例：朴素贝叶斯是一种被广泛使用的机器学习分类算法，其原理简单但却非常有效。
它的原理基于贝叶斯定理，通过对已知数据集的特征进行概率推断来对未知数据进行分类。
朴素贝叶斯模型最初是由英国数学家托马斯·贝叶斯提出的，它的核心思想是基于特征之间的独立性假设。
朴素贝叶斯模型的类别主要可以分为三种：高斯朴素贝叶斯、多项式朴素贝叶斯和伯努利朴素贝叶斯。
1. 高斯朴素贝叶斯高斯朴素贝叶斯是一种适用于连续型数据的分类算法。
在高斯朴素贝叶斯中，假设特征的概率符合高斯分布，通过计算每个特征在每个类别下的概率密度函数来进行分类。
因为高斯分布在实际数据中很常见，因此高斯朴素贝叶斯在实际应用中有着广泛的应用。
伯努利朴素贝叶斯也适用于离散型数据的分类问题，但与多项式朴素贝叶斯不同的是，伯努利朴素贝叶斯适用于二值型数据，即特征只有两种取值。
数据挖掘朴素贝叶斯算法原理以及python实现
数据挖掘朴素贝叶斯算法原理以及python实现朴素贝叶斯（Naive Bayes）算法是一种常用的分类方法，基于贝叶斯定理和特征条件独立假设，能够高效地进行大规模数据的分类任务。
朴素贝叶斯算法的原理：朴素贝叶斯算法是一种基于概率统计的分类算法，在进行分类时，它假设样本的各个特征之间相互独立，即给定类别C的情况下，特征之间是条件独立的。
这个假设也被称为特征条件独立性。
根据贝叶斯定理：P(C|X) = P(X|C) * P(C) / P(X)其中，P(C|X)表示给定特征X条件下类别C的概率，P(X|C)表示给定类别C条件下特征X的概率，P(C)表示类别C的概率，P(X)表示特征X的概率。
对于给定的一组特征X={x1, x2, ..., xn}，朴素贝叶斯算法将通过计算每个类别C的后验概率P(C|X)来进行分类。
为了简化计算，朴素贝叶斯算法假设特征之间相互独立，这样可以将上述后验概率计算转化为：P(C|X) = P(x1|C) * P(x2|C) * ... * P(xn|C) * P(C) / P(X) 为了进行分类，需要提前估计P(C)和P(xi|C)的概率。
估计P(C)的一种常用方法是使用样本中的先验频率估计，即类别C在样本中出现的频率。
估计P(xi|C)的一种常用方法是使用样本中特征xi在类别C中出现的频率。
朴素贝叶斯算法的python实现：下面以一个简单的例子来展示朴素贝叶斯算法的python实现。
假设有一个数据集，包含5个样本，每个样本有3个特征（F1, F2, F3）和一个类别（C1, C2）。
```F1 F2 F3 Class---------------------1 1 1 C11 0 1 C10 1 1 C20 1 0 C20 0 1 C2```首先，我们需要统计每个类别的先验概率P(C)和每个特征在不同类别下的条件概率P(xi|C)。
```pythonimport numpy as np#定义数据集data = np.array([[1, 1, 1, 'C1'], [1, 0, 1, 'C1'], [0, 1, 1, 'C2'], [0, 1, 0, 'C2'], [0, 0, 1, 'C2']])#统计先验概率P(C)class_count = {}class_label = sample[-1]if class_label in class_count:class_count[class_label] += 1else:class_count[class_label] = 1total_samples = len(data)class_prior = {}for class_label, count in class_count.items(): class_prior[class_label] = count / total_samples #统计条件概率P(xi|C)feature_count = {}for feature_idx in range(data.shape[1] - 1): feature_count[feature_idx] = {}feature_value = sample[feature_idx]class_label = sample[-1]if class_label not in feature_count[feature_idx]:feature_count[feature_idx][class_label] = {}if feature_value infeature_count[feature_idx][class_label]:feature_count[feature_idx][class_label][feature_value] += 1else:feature_count[feature_idx][class_label][feature_value] = 1feature_conditional_prob = {}for feature_idx, class_dict in feature_count.items():feature_conditional_prob[feature_idx] = {}for class_label, value_dict in class_dict.items():feature_conditional_prob[feature_idx][class_label] = {}class_total = class_count[class_label]for feature_value, count in value_dict.items():feature_conditional_prob[feature_idx][class_label][feature_value] = count / class_total```接下来，可以通过计算每个类别下给定特征的条件概率P(xi|C)值，选择概率最大的类别作为预测结果。
机器学习中的分类算法及其应用场景
机器学习中的分类算法及其应用场景机器学习是一种人工智能的分支，旨在通过数据的分析和模式的发现，使机器具备从经验中学习，并自动改善性能的能力。
分类算法是机器学习中最常用的一类算法，用于将数据集中的样本划分到不同的类别中。
在本文中，我们将介绍几种常见的分类算法及其应用场景。
一、决策树算法决策树算法是一种简单但常用的分类算法。
它通过创建一颗树状结构，从根节点开始递归地对数据集进行划分，直到达到指定的终止条件。
决策树算法的优点是易于理解和解释，并且能够处理大规模的数据集。
它在许多领域都有应用，例如医学诊断、金融风险评估和客户分类等。
二、朴素贝叶斯算法朴素贝叶斯算法是一种基于贝叶斯定理的分类算法。
它假设各个特征之间相互独立，并通过计算后验概率来进行分类。
朴素贝叶斯算法的优点是运算速度快、易于实现，并且对数据集中的噪声和缺失值有一定的鲁棒性。
它常用于文本分类、垃圾邮件过滤和情感分析等领域。
三、支持向量机算法支持向量机算法是一种基于统计学习理论的分类算法。
它通过在特征空间中构建一个最优的超平面，将不同类别的样本分开。
支持向量机算法的优点是能够处理高维数据、具有较高的准确率和鲁棒性。
它在图像识别、手写体识别和生物信息学等领域有广泛应用。
四、最近邻算法最近邻算法是一种简单但有效的分类算法。
它基于样本之间的距离度量，将测试样本分类为距离最近的训练样本所属的类别。
最近邻算法的优点是易于实现、不需要训练过程，并且对异常值有较好的鲁棒性。
它在推荐系统、图像识别和医学诊断等领域有广泛应用。
五、神经网络算法神经网络算法是一种模拟人脑神经网络结构和功能的分类算法。
它由多个神经元组成的层次结构，在训练过程中通过调整连接权重来实现模式的学习和分类。
神经网络算法的优点是能够处理复杂的非线性问题，并且具有较强的泛化能力。
它在图像处理、语音识别和自然语言处理等领域有广泛应用。
总结起来，机器学习中的分类算法有很多种，每种算法都有其适用的场景和特点。
常用的分类模型
常用的分类模型一、引言分类模型是机器学习中常用的一种模型，它用于将数据集中的样本分成不同的类别。
分类模型在各个领域有着广泛的应用，如垃圾邮件过滤、情感分析、疾病诊断等。
在本文中，我们将介绍一些常用的分类模型，包括朴素贝叶斯分类器、决策树、支持向量机和神经网络。
二、朴素贝叶斯分类器朴素贝叶斯分类器是一种基于贝叶斯定理的分类模型。
它假设所有的特征都是相互独立的，这在实际应用中并不一定成立，但朴素贝叶斯分类器仍然是一种简单而有效的分类算法。
2.1 贝叶斯定理贝叶斯定理是概率论中的一条基本公式，它描述了在已知一些先验概率的情况下，如何根据新的证据来更新概率的计算方法。
贝叶斯定理的公式如下：P(A|B) = P(B|A) * P(A) / P(B)其中，P(A|B)表示在事件B已经发生的条件下事件A发生的概率，P(B|A)表示在事件A已经发生的条件下事件B发生的概率，P(A)和P(B)分别表示事件A和事件B独立发生的概率。
2.2 朴素贝叶斯分类器的工作原理朴素贝叶斯分类器假设所有特征之间相互独立，基于贝叶斯定理计算出后验概率最大的类别作为预测结果。
具体地，朴素贝叶斯分类器的工作原理如下：1.计算每个类别的先验概率，即在样本集中每个类别的概率。
2.对于给定的输入样本，计算每个类别的后验概率，即在样本集中每个类别下该样本出现的概率。
3.选择后验概率最大的类别作为预测结果。
2.3 朴素贝叶斯分类器的优缺点朴素贝叶斯分类器有以下优点：•算法简单，易于实现。
•在处理大规模数据集时速度较快。
•对缺失数据不敏感。
但朴素贝叶斯分类器也有一些缺点：•假设特征之间相互独立，这在实际应用中并不一定成立。
•对输入数据的分布假设较强。
三、决策树决策树是一种基于树结构的分类模型，它根据特征的取值以及样本的类别信息构建一个树状模型，并利用该模型进行分类预测。
3.1 决策树的构建决策树的构建过程可以分为三个步骤：1.特征选择：选择一个最佳的特征作为当前节点的划分特征。
朴素贝叶斯算法案例
朴素贝叶斯算法案例一、背景介绍朴素贝叶斯算法是一种基于贝叶斯定理的分类算法，它假设特征之间是相互独立的，因此被称为“朴素”。
该算法在文本分类、垃圾邮件过滤等领域有广泛应用。
二、案例描述某公司想通过分析客户的购买行为进行精准营销，他们搜集了1000个客户的购买记录和个人信息，并标注了是否购买了目标产品。
现在他们想通过这些数据来预测一个新客户是否会购买目标产品。
三、数据预处理1. 数据清洗：去除无效数据和重复数据。
2. 特征选择：选择与目标产品相关的特征，如年龄、性别、职业等。
3. 特征编码：将离散型特征进行one-hot编码，将连续型特征进行归一化处理。
四、模型训练1. 数据划分：将数据集按照7:3的比例分为训练集和测试集。
2. 模型选择：选择朴素贝叶斯算法进行分类。
3. 模型训练：使用训练集对模型进行训练。
五、模型评估1. 准确率：在测试集上计算模型的准确率。
2. 精确率和召回率：计算模型的精确率和召回率，以评估分类效果。
六、结果分析1. 准确率：模型在测试集上的准确率为85%。
2. 精确率和召回率：模型的精确率为90%，召回率为80%。
3. 特征重要性分析：通过计算每个特征对分类结果的贡献度，可以得出不同特征对分类结果的影响程度。
七、应用场景1. 电商推荐系统：通过分析用户购买行为，预测用户是否会购买某个商品，从而进行个性化推荐。
2. 垃圾邮件过滤：通过分析邮件内容和发件人等信息，预测邮件是否是垃圾邮件，并进行过滤。
3. 情感分析：通过分析文本中的情感词汇和语气等信息，预测文本所表达的情感。
八、总结朴素贝叶斯算法是一种简单而有效的分类算法，在文本分类、垃圾邮件过滤等领域有广泛应用。
在实际应用中，需要根据具体问题选择合适的特征，并进行数据预处理和模型评估，以提高分类效果。
贝叶斯分类器（3）朴素贝叶斯分类器
贝叶斯分类器（3）朴素贝叶斯分类器根据，我们对贝叶斯分类器所要解决的问题、问题的求解⽅法做了概述，将贝叶斯分类问题转化成了求解P(x|c)的问题，在上⼀篇中，我们分析了第⼀个求解⽅法：极⼤似然估计。
在本篇中，我们来介绍⼀个更加简单的P(x|c)求解⽅法，并在此基础上讲讲常⽤的⼀个贝叶斯分类器的实现：朴素贝叶斯分类器（Naive Bayes classifier）。
1 朴素贝叶斯分类原理1.1 分类问题回顾我们的⽬标是通过对样本的学习来得到⼀个分类器，以此来对未知数据进⾏分类，即求后验概率P(c|x)。
在中，我们描述了贝叶斯分类器是以⽣成式模型的思路来处理这个问题的，如下⾯的公式所⽰，贝叶斯分类器通过求得联合概率P(x,c)来计算P(c|x)，并将联合概率P(x,c)转化成了计算类先验概率P(c)、类条件概率P(x|c)、证据因⼦P(x)。
h∗(x)=\argmax c∈Y P(c|x)=\argmax c∈Y P(x,c)P(x)=\argmaxc∈YP(c)∗P(x|c)P(x)其中的难点是类条件概率P(x|c)的计算，因为样本x本⾝就是其所有属性的联合概率，各种属性随意组合，变幻莫测，要计算其中某⼀种组合出现的概率真的是太难了，⽽朴素贝叶斯的出现就是为了解决这个问题的。
要想计算联合概率P(a,b)，我们肯定是希望事件a与事件b是相互独⽴的，可以简单粗暴的P(a,b)=P(a)P(b)，多想对着流星许下⼼愿：让世界上复杂的联合概率都变成简单的连乘！1.2 朴素贝叶斯朴素贝叶斯实现了我们的梦想！朴素贝叶斯中的朴素就是对多属性的联合分布做了⼀个⼤胆的假设，即x的n个维度之间相互独⽴：P([x1,x2,...,x n]|c)=P(x1|c)P(x2|c)...P(x1|c)朴素贝叶斯通过这⼀假设⼤⼤简化了P(x|c)的计算，当然，使⽤这个假设是有代价的，⼀般情况下，⼤量样本的特征之间独⽴这个条件是弱成⽴的，毕竟哲学上说联系是普遍的，所以我们使⽤朴素贝叶斯会降低⼀些准确性；如果实际问题中的事件的各个属性⾮常不独⽴的话，甚⾄是⽆法使⽤朴素贝叶斯的。
朴素贝叶斯算法对鸢尾花分类
朴素贝叶斯算法对鸢尾花分类一、概述鸢尾花分类是机器学习中一个经典的分类问题。
朴素贝叶斯算法是一种基于贝叶斯定理的分类算法，它能够通过概率推理对样本进行分类。
在本篇文章中，我们将介绍如何使用朴素贝叶斯算法对鸢尾花数据集进行分类。
二、数据集介绍鸢尾花数据集是一个包含150个样本的多元分类问题，每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。
这四个特征可以描述鸢尾花的外观，而目标标签是鸢尾花的种类，包括山鸢尾（Iris-setosa）、变色鸢尾（Iris-versicolor）和维吉尼亚鸢尾（Iris-virginica）。
三、朴素贝叶斯算法原理朴素贝叶斯算法是一种基于贝叶斯定理的分类算法。
它假设每个特征之间是相互独立的，因此不需要对特征进行相关性分析。
朴素贝叶斯算法通过概率推理来计算每个类别的概率，并选择概率最大的类别作为样本的预测结果。
四、使用Python实现朴素贝叶斯算法在Python中，可以使用Scikit-learn库中的朴素贝叶斯分类器对鸢尾花数据集进行分类。
以下是一个简单的示例代码：```pythonfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.naive_bayesimportGaussianNBfromsklearn.metricsimportaccuracy_score#加载鸢尾花数据集iris=load_iris()X=iris.datay=iris.target#划分训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_s ize=0.2,random_state=42)#使用高斯朴素贝叶斯分类器gnb=GaussianNB()gnb.fit(X_train,y_train)#预测测试集结果并计算准确率y_pred=gnb.predict(X_test)accuracy=accuracy_score(y_test,y_pred)print("Accuracy:",accuracy)```在上述代码中，我们首先加载了鸢尾花数据集，并将其划分为训练集和测试集。
机器学习算法——朴素贝叶斯（贝努利模型和多项式模型实现分类）
机器学习算法——朴素贝叶斯（贝努利模型和多项式模型实现分类）朴素贝叶斯算法0、朴素贝叶斯是贝叶斯决策理论的⼀部分。
之所以称之为“朴素”，是因为整个形式化过程只做最原始、最简单的假设。
本⽂所⽤到的所有数据来源：链接：提取码：1、算法优缺点⽐较优点：在数据较少的情况下仍然有效，可以处理多类别问题缺点：对于输⼊数据的准备⽅式较为敏感使⽤数据类型：标称型数据2、关于贝叶斯决策理论的简单解释：假设我们有如下的数据集，由两类数据组成，数据分布如下我们⽤p1(x1,x2)表⽰数据点(x1,x2)属于类别1 图中红⾊×的概率,p2(x1,x2)表⽰数据点(x1,x2)属于类别2 图中蓝⾊o的概率。
若p1(x1,x2) > p2(x1,x2)，那么该点属于类别1若p1(x1,x2) < p2(x1,x2)，那么该点属于类别2也就是说，我们利⽤⾼概率选择对应的类别。
贝叶斯决策理论的核⼼思想就在于此，即选择具有最⾼概率的决策。
3、贝叶斯准则：p( c | x ) = p( x | c ) * p( c ) / p( x )该准则告诉我们c，x作为条件互换时，相应概率的计算⽅法。
4、使⽤条件概率分类根据贝叶斯决策理论要求实现⼆分类时，我们需要计算对应的p1(x1,x2) 和 p2(x1,x2)。
对于上⾯的数据集⽽⾔，我们真正需要计算和⽐较的是p(c1| x,y) , p(c2| x,y)。
即给定某个由x，y表⽰的数据点，那么该数据点来⾃类别c1，c2的概率分别为多少。
同样的，我们利⽤贝叶斯准则可以很快的得到使⽤贝叶斯准则，可以通过已知的三个概率值来计算未知的概率值。
使⽤这些定义，可以定义贝叶斯分类准则为：如果p(c1 | x,y) > p(c2| x,y) ,那么属于类别c1如果p(c1 | x,y) < p(c2| x,y) ,那么属于类别c25、朴素贝叶斯朴素贝叶斯算法的⼀个重要应⽤就是⽂档的分类。