‘壹’ 朴素贝叶斯分类器【Naive Bayes】
朴素贝叶斯分类器，基于贝叶斯定理，是贝叶斯分类中最基础且假设特征间独立的一种方法。它与支持向量机不同，后者通过决策函数直接预测，而朴素贝叶斯则是依据条件概率分布进行分类。
朴素贝叶斯分类法的核心是后验概率最大化，通过计算各类别下出现特定特征组合的条件概率来预测类别。其分类准则基于最小化期望损失，即通过公式[公式]来决定最优预测。对于0-1损失函数，最优预测是使[公式]最小的类别。
朴素贝叶斯模型属于生成式模型，通过假设特征独立，将联合概率分解，从而在训练集中计算每类别的概率。例如，在垃圾邮件分类中，通过计算每句话中垃圾词出现的概率，如[公式]，再考虑拉普拉斯平滑避免零概率问题。
朴素贝叶斯分为两种模型：多项式模型处理离散特征，如文本分类中单词的出现次数；而高斯模型处理连续特征，通过高斯分布估计特征的均值和方差进行分类。高斯朴素贝叶斯通过极大似然估计参数，计算给定样本的条件概率，进行预测。
通过以上原理，朴素贝叶斯算法在实际应用中展现出强大的分类能力，尤其在文本处理等领域。