如何用简单易懂的语言描述朴素贝叶斯分类器？

简单来说，它是基于出现概率进行粗略的分类

初次接触到这个概念是在大学选修数据挖掘的时候，贝叶斯分类基于贝叶斯定理，属于分类中的基本概念。

简单来说，它是基于出现概率进行粗略的分类，比说，要将若干电影分类，一个电影出现亲吻的镜头以及一男一女单独的镜头概率大，就将此分为爱情片，如果打斗场面出现的概率大就将电影分为动作片。听上去不太“靠谱”，但是分类算法的比较研究发现，朴素贝叶斯分类法可以与决策树和经过挑选的神经网络媲美。用于大型数据库，贝叶斯分类法也已表现出高准确率和高速度。

朴素贝叶斯分类法假定一个属性值在给定类上的影响独立于其他属性的值。这一假定称为类条件独立性。做此假定是为了简化计算，并在此意义下称为“朴素的”。

工作流程：

第一阶段——准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。

第二阶段——分类器训练阶段，这个阶段的任务就是生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。这一阶段是机械性阶段，根据前面讨论的公式可以由程序自动计算完成。

第三阶段——应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成。

最后，记得关注微信公众号：镁客网（im2maker），更多干货在等你！