https://blog.csdn.net/u012162613/article/details/48323777

 全概率公式：

贝叶斯定理：，，

对于分类模型，X,y。X有n维特征各自独立，y有k类（k个取值）。

独立性假设：

用于分类的特征在类确定下来的情况下都是独立的。

分母都一样，P(yk)根据数据分布求，分子第一项的求法有两种。

特点：

优点：条件概率数量大为减少（独立性假设），学习和预测大为简化。

缺点：分类性能不一定高。

利用贝叶斯定理与学到的联合概率模型进行分类预测，将输入x分到后验概率最大的类y。

后验概率最大等价于0-1损失函数的期望风险最小化。