『壹』 樸素貝葉斯分類器【Naive Bayes】
樸素貝葉斯分類器，基於貝葉斯定理，是貝葉斯分類中最基礎且假設特徵間獨立的一種方法。它與支持向量機不同，後者通過決策函數直接預測，而樸素貝葉斯則是依據條件概率分布進行分類。
樸素貝葉斯分類法的核心是後驗概率最大化，通過計算各類別下出現特定特徵組合的條件概率來預測類別。其分類准則基於最小化期望損失，即通過公式[公式]來決定最優預測。對於0-1損失函數，最優預測是使[公式]最小的類別。
樸素貝葉斯模型屬於生成式模型，通過假設特徵獨立，將聯合概率分解，從而在訓練集中計算每類別的概率。例如，在垃圾郵件分類中，通過計算每句話中垃圾詞出現的概率，如[公式]，再考慮拉普拉斯平滑避免零概率問題。
樸素貝葉斯分為兩種模型：多項式模型處理離散特徵，如文本分類中單詞的出現次數；而高斯模型處理連續特徵，通過高斯分布估計特徵的均值和方差進行分類。高斯樸素貝葉斯通過極大似然估計參數，計算給定樣本的條件概率，進行預測。
通過以上原理，樸素貝葉斯演算法在實際應用中展現出強大的分類能力，尤其在文本處理等領域。