朴素贝叶斯
全概率公式：
例子参考这里：
优缺点
优点：
(1） 算法逻辑简单,易于实现（算法思路很简单，只要使用贝叶斯公式转化即可！）
（2）分类过程中时空开销小（假设特征相互独立，只会涉及到二维存储）
缺点：
朴素贝叶斯假设属性之间相互独立，这种假设在实际过程中往往是不成立的。在属性之间相关性越大，分类误差也就越大。
类型
- 高斯分布型：先验为高斯分布（正态分布）的朴素贝叶斯，假设每个标签的数据都服从简单的正态分布
- 多项式型：用于离散值模型里。先验为多项式分布的朴素贝叶斯(非常适合用于描述出现次数，常用于文本分类)
- 伯努利型：最后得到的特征只有0(没出现)和1(出现过)。
总结
词集模型：Set Of Words，单词构成的集合，集合自然每个元素都只有一个，也即词集中的每个单词都只有一个.
词袋模型：Bag Of Words，如果一个单词在文档中出现不止一次，并统计其出现的次数（频数）
面试常问的
1、 朴素贝叶斯与LR的区别？
朴素贝叶斯是生成模型，根据已有样本进行贝叶斯估计学习出先验概率P(Y)和条件概率P(X|Y)，进而求出联合分布概率P(XY),最后利用贝叶斯定理求解P(Y|X)， 而LR是判别模型，根据极大化对数似然函数直接求出条件概率P(Y|X)；朴素贝叶斯是基于很强的条件独立假设（在已知分类Y的条件下，各个特征变量取值是相互独立的），而LR则对此没有要求；朴素贝叶斯适用于数据集少的情景，而LR适用于大规模数据集。
2、 在估计条件概率P(X|Y)时出现概率为0的情况怎么办？
引入λ，当λ=1时称为拉普拉斯平滑。
3、太多小的数相乘，最后会四舍五入得到0.出现下溢出怎么办？
乘积取自然对数
生成模式和判别模式的区别：
生成模式：由数据学得联合概率分布，求出条件概率分布P(Y|X)的预测模型；
常见的生成模型有：朴素贝叶斯、隐马尔可夫模型、高斯混合模型、文档主题生成模型（LDA）、限制玻尔兹曼机
判别模式：由数据学得决策函数或条件概率分布作为预测模型
常见的判别模型有：K近邻、SVM、决策树、感知机、线性判别分析（LDA）、线性回归、传统的神经网络、逻辑斯蒂回归、boosting、条件随机场
逻辑回归
