朴素贝叶斯法基于
1.贝叶斯定理
2.特征条件独立假设
用于分类的特征在类（y）确定的情况下是条件独立的
输入：
过程：
1.学习先验概率
2.学习条件概率分布（条件独立性假设）
其中：
（极大似然估计）
3.根据贝叶斯公式，计算后验概率
带入条件概率公式：
上式中，分母是一样的，当k取不同值时分子是不一样的，得出的后验概率也不一样的，朴素贝叶斯就是要求出最大的后验概率对应的Ck
所以，朴素贝叶斯分类器：
由于分母都是一样的，所以就只计算分子就行：
3.输出：分类Ck
将实例分类为后验概率最大的类中，等价于期望风险最小化，证明略
参数估计：（主要是先验概率和条件概率的估计）
极大似然估计：
先验概率：
条件概率：
极大似然估计有个缺点是：如果某个特征的条件概率的值为0，那么计算条件概率时会影响其他特征（因为是连乘），所以采用贝叶斯估计，就是在分子、分母都加上一个参数
贝叶斯估计：
先验概率：
条件概率：
