颜色分类leetcode MAP和朴素贝叶斯分类器介绍之前，我们研究了在给定所有可用数据的情况下，如何使用最大似然估计通过学习一些未知变量theta来计算后验概率。在这节课中，我们将看看如何使用这个贝叶斯设置和一个简单的（相当朴素的）监督分类算法，称为“朴素贝叶斯分类器”。所以让我们继续吧。

目标你将能够：

  • 修订MAP估计的基本原则并包含在MLE之前

  • 了解使用MAP的联合概率建模如何允许在朴素贝叶斯分类器中对数据进行分类

  • 解释如何在朴素贝叶斯的预测环境中使用theta的MAP估计

  • 了解如何在朴素贝叶斯分类中使用正态分布进行建模

后验概率的MAP（最大后验概率）估计：

正如我们之前看到的，当我们对数据的先验概率有一些了解时，我们会使用MAP。我们可以计算边际概率或简单地计算贝叶斯上下文中先验概率的主观值。我们可以将贝叶斯定理写成：

$$P(theta|X) = \frac{P(X|theta)P(theta)}{P(X)}$$

= \frac{P(X|theta)P(theta)}{sum_Theta P(theta,X)}