适合AI产品经理阅读的算法集合之朴素贝叶斯
正文：
如以往，我们先来个例子，给大家热热身：
这就是朴素贝叶斯。朴素贝叶斯其实就是基于各种特征，找到最大概率的分类。
【！注意：各个特征属性是条件独立的，这是朴素贝叶斯所要求的，如果各个特征属性不独立，就不属于朴素贝叶斯，属于贝叶斯网络。】
1、朴素贝叶斯算法步骤
朴素贝叶斯的步骤是相当简单的
这里面最重要的是，利用先验概率的，最大化后验概率。
转换成公式就是： P(A|B)=P(A) * P(B|A)/P(B)
2、朴素贝叶斯实际案例
按下图的特征及标签来训练数据的话，若来者是一位打喷嚏的建筑工人。请问他患上感冒的概率有多大？
计算过程：
P(感冒|打喷嚏x建筑工人)
= P(打喷嚏x建筑工人|感冒) x P(感冒) / P(打喷嚏x建筑工人)
= P(打喷嚏|感冒) x P(建筑工人|感冒) x P(感冒) / P(打喷嚏) x P(建筑工人)
= 0.66 x 0.33 x 0.5 / 0.5 x 0.33
= 0.66
#适合AI产品经理阅读的算法集合系列。 该系列文章，主旨在于，用非技术性的语言，向大家介绍算法相关的模型和思路，让大家看的懂，听得懂。