What：朴素贝叶斯是一个常用的分类算法，监督学习。
朴素：假设各个特征之间相互独立。
贝叶斯：基于贝叶斯原理：
为条件概率，属于某个类别的样本具有某个特征的概率。
为先验概率，某个样本属于某个类别的概率。
为后验概率，即是具有某些特征的的样本属于某个类别的概率。
举例应用为：
最后得出嫁与不嫁的概率，选择概率大的即为女生嫁不嫁的预测决定。
Why:
此方法实际上多用于文本分类当中,文本分类就是寻找文本的特征。
垃圾短信的分类问题。
输入：待判断的短信
输出：是否是垃圾短信
算法主要分为两个部分：数据处理和算法的实现。
每一个单词代表一种特征，即是求在所求短信下的短信类别。
寻找一个分类器，这个分类器能够：当丢给它一篇新文档d，它就输出d （最有可能）属于哪个类别c。
朴素贝叶斯分类器
为了防止某一个特征值为零而导致整个概率为零，我们引入了拉普拉斯平滑。
算法的实现：
数据的读取------数据的清洗（去除不含有意义上的单词）------数据的切分（类别+单词列表）-----划分数据集和测试集-------构建朴素贝叶斯分类器（得到分类器的参数）-------测试分类器
朴素贝叶斯是求出每一个概率的大小，通过比较每一类概率的大小来判断预测出测试数据属于哪一类别。
朴素贝叶斯算法：
原文：https://www.cnblogs.com/lyy66/p/11994146.html