如何用简单易懂的语言描述朴素贝叶斯分类器？

在此，我借垃圾邮件分类来解释朴素贝叶斯分类器。首先，我们先来看一下贝叶斯公式

1) 数学书眼中的贝叶斯公式：

2) 机器学习眼中的贝叶斯公式：

3)垃圾邮件分类眼中的贝叶斯公式：

下面简单说明一下朴素贝叶斯分类器的“朴素”从何而来？

我们在训练模型的时候，由于训练集有限而垃圾邮件文本内容无限，不可能找到覆盖所有可能情况的训练集。所以将对文本的分析转换为对词或词的组合进行分析，也就是说不用句子作特征，而用句子中的词作特征。

分词之后，垃圾邮件分类眼中的贝叶斯公式变成了：

其中，p(“垃圾邮件”)依据先验知识可轻松得到。

问题在于p(“恭喜”,“你”,“中奖”,“了”│“垃圾邮件”) 依旧不好求。因此我们就引入了简单粗暴可以说很“朴素”的条件独立假设来简化问题，即认为项与项之间独立，其对最终结果的贡献互不影响。（注意这里指的是项与项之间互相独立，每一项可能代表一个词，即一元语言模型；也可能代表多个词，即n元语言模型）此时概率就简化为：

接下来，就是简单的统计工作，即计算垃圾邮件中各个词语出现的概率，便可以得到此句话在垃圾邮件中出现的概率了。进而也容易通过贝叶斯公式推导出某一封邮件是垃圾邮件的概率了，同样的方法能求出同一封邮件是正常邮件的概率，相比较就可以进行垃圾邮件分类了。

但是在实际工程中，还有很多小trick，比如可人工设置停用词表和关键词表，对概率乘积进行取对数的操作等。而且目前有很多已经封装好的库可直接调用，比如著名的机器学习库Sklearn中对朴素贝叶斯分类器就提供了三种不同的模型，感兴趣的可以看起内部的具体实现代码加强理解。

http://scikit-learn.org/stable/modules/classes.html#module-sklearn.naive_bayes