朴素贝叶斯分类 和 拉普拉斯平滑(拉普拉斯处理 laplace smoothing)

朴素贝叶斯分类是一种生成式分类

p(y|x) = p(y,x) / p(x)
=p(x|y) * p(y) | p(x)
在训练的时候假设x的所有特征是相互独立的，所以p(x|y) = 所有p(xi | y) 的乘积 只要通过贝叶斯展开+有xi独立 就能得到
这个模型里的参数就是，给定y这个条件下，生成某个特征xi的概率()，以及y本身的分布(使用中心极限定理得到均值就能作为估计)

这里存在一个问题，就是如果在所有样本里，某个特征xi没出现过，那么根据中心极限定理得到均值就是0
那么最后的乘积就是0

这个结果对于实际来说不太合理，对于训练样本中没出现过的特征，实际的测试的时候，也是有可能出现

所以需要做 拉普拉斯平滑

就是在用中心极限定理得到均值 的时候 分子分母同时加上一个数，这样每个特征的条件概率肯定不为0了
一般分子加1，分母加的是 分类数