我正在对发票和收据进行分类，我将与伯努利模型合作。
这是朴素的贝叶斯分类器：
P（c | x）= P（x | c）x P（c）/ P（x）
我知道如何计算P（c）类先验概率，因为我们假设所有单词都是独立的，我们不需要P（x）。
现在公式将是这样的：P（c | x）= P（x | c）x P（c）并且为了计算P（x | c）我们做了计算所有单词概率P的可能性方法（c | X）= P（x1 | c）P（x2 | c）* P（x3 | c）....
我的问题是在计算了可能性之后我需要将它乘以P（c）与否，P（c | X）= P（x1 | c）P（x2 | c）* P（x3 | c） ... * P（C）？
答案 0 :(得分：1)
P(c|x) 不等于P(x|c) P(c)。它是比例，就像你在分类时一样
cl(x) = arg max_c P(c|x) = arg max_c P(x|c) P(c) / P(x) = arg max_c P(x|c) P(c)
这适用于每个概率分布，其中P(x)>0，此时不需要任何贝叶斯假设。这只是一个简单的贝叶斯定理+注意P(x)只是这个等式中的正常数。
因此，您从不实际计算P(c|x)，您只需计算P(x|c) P(c)即可为您提供相同的分类。我希望这表明您的分类必须基于P(x|c)和P(c)的产品，您指出P(x|c) = PROD_i P(x_i|c)（这里我们使用Naive Bayes假设）关于独立，而不是之前）。