一、贝叶斯网络
本文介绍贝叶斯网络。贝叶斯网络与前面的大多数算法有一些区别，它归属与贝叶斯学派，属于判别式模型。前面介绍大多数算法归属于频率学派，属于生成式模型。
贝叶斯网络可以看成是一个DAG(有向无环图)模型
贝叶斯网络的三个知识点
1、网络如图所示：$$Aleftarrow C
ightarrow B$$则在C给定的条件下，A与B独立。
2、网络如图所示：$$A ightarrow C ightarrow B$$C给定的条件下，A与B独立
3、网络如图所示：$$A ightarrow Cleftarrow B$$C未知的条件下，A与B独立
二、朴素贝叶斯
前提：假设各特征相互独立（条件独立），且重要性相同
一个样本点属于某一类的概率是
[P(y|x_{1},...,x_{n})=dfrac{P(y)P(x_{1},...,x_{n}|y)}{P(x_{1},...,x_{n})}=dfrac{P(y)prod^{n}_{i=1}P(x_{i}|y)}{P(x_{1},...,x_{n})}
]
在朴素贝叶斯中，判别一个样本点属于那个类别的公式为
[y=argmax_{y}P(y)prod^{n}_{i=1}P(x_{i}|y)
]
其中，这个(P(x_{i}|y))当是离散时是多项式分布，是连续时是高斯分布。