贝叶斯分类器 （3）
目录
错误率与风险
书接上回，我们讲到最大后验概率，我们期望把概率最大时对应的属性，当做它最终的结果。
我们自然也会思考，这样做，我们的犯错率有多大？
什么意思？就是说，在条件x的情况下，预测失误的概率（即犯错率）为1减去预测正确概率后的值。是不是有一种听君一席话，胜似一席话的感受？
那么，看懂了上述式子后，我们继续推进。不同的错误带来的损失不尽相同。比如说，如果我们把病人预测成健康的人，会导致他没能及时治疗，其损失肯定远大于把健康人预测成了病人。
显然，对每个样本x ,若 h 能最小化条件风险R(h(x)|x)，则总体风险也将被最小化.这就产生了贝叶斯判定准则：为了使总体风险最小，只需在每个样本x上选择那个能使条件风险R(c|x)最小的类别，即 ：
我们将h*称为贝叶斯分类器，与之对应的R(h*)称作贝叶斯风险，1-R(h*)则反映了分类器所能达到的最好性能。
更一般的，如果我们希望最小化分类错误率，即预测错误损失为1，预测成功损失为0，这样我们预测的类别，就又会变成算出最大后验概率时所对应的类别。
朴素贝叶斯分类器
讲解这方面知识，我觉得先上一个例子会好一些
好啦，现在我们决定给人美心善的伍老师找对象啦，伍老师决定从身高、帅不帅、渣不渣、声音好不好听四个角度对前来相亲的男嘉宾进行考察，再决定嫁不嫁。前来相亲的男嘉宾的条件极其结果如下：
那么根据上面的结果（伍老师可没有养鱼啊，因为种种原因王二麻子和朱大标不能娶伍老师），此时，高、不帅、不渣、声音好听的小明前来相亲，请替伍老师判断，该不该嫁？
对于朴素贝叶斯分类器，它的思想是避开联合概率，而采用“属性条件独立性假设”。
什么意思？就是说每个属性独立的对分类的结果发生影响。结合例子也就是说这四个属性互不影响（比如说，这个男嘉宾高不高不影响他渣不渣），单独对伍老师嫁不嫁起作用（比如说，渣不渣和高不高单独对她嫁不嫁起作用）。
所以，我们有：
注意x 是一个向量哦
我们发现，分母P(x)是个固定的值，对于分类没有影响，所以基于贝叶斯判定准则，我们只需要求出：
那么，现在的问题转化为，我们要算出嫁给高、不帅、不渣、声音好听的小明的概率，与不嫁给高、不帅、不渣、声音好听的小明的概率。把二者作比较，如果嫁的概率高于不嫁的概率，那么最终会选择嫁，反之则不嫁。
看得出来，相貌虽然很重要，但是朴素贝叶斯分类器都觉得伍老师不是一个太注重他人外在的人，同时让我们恭喜男女嘉宾牵手成功！！
咳咳，扯远了，学到这里，相信大家已经对贝叶斯分类器有一定了解了。不过，贝叶斯分类器的学习还没有结束哦。欲知后事如何，请您点赞加关注，您的点赞加关注是小编写下去最大的动力！