朴素贝叶斯分类简介

朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理的分类算法，其核心假设是特征之间相互独立。尽管这一假设在现实中往往不成立，但朴素贝叶斯在许多实际应用中表现优异，尤其适用于文本分类、垃圾邮件过滤等场景。

核心原理

• 贝叶斯定理：通过计算后验概率 $P(Y|X)$ 来判断样本属于某一类别的概率。
• 条件独立性假设：假设所有特征对分类结果的影响是独立的，从而简化计算。

优点

1. 算法简单，易于实现。
2. 对小规模数据表现良好。
3. 能够处理多分类问题。
4. 对缺失数据不敏感。

缺点

1. 特征独立性假设在实际中难以完全满足。
2. 对输入数据的分布有一定要求（如高斯朴素贝叶斯假设特征服从正态分布）。

应用场景

• 文本分类（如新闻分类、情感分析）
• 垃圾邮件检测
• 医疗诊断辅助系统
• 推荐系统中的初步筛选

结果展示

示例 1：运行脚本后的整体输出

• 输入*：直接运行 main.py 脚本，无需额外输入。
• 输出*：

准确率：0.98
分类报告:
              precision    recall  f1-score   support

      setosa       1.00      1.00      1.00        15
  versicolor       0.96      0.96      0.96        24
   virginica       0.97      0.97      0.97        21

    accuracy                           0.98        60
   macro avg       0.98      0.98      0.98        60
weighted avg       0.98      0.98      0.98        60

输入数据 [[5.1, 3.5, 1.4, 0.2]] 被分类为：setosa

示例 2：自定义输入预测

• 输入*：修改代码中的 example_input 为 [[6.7, 3.0, 5.2, 2.3]]（代表一朵花的四个特征值）。
• 输出*：

输入数据 [[6.7, 3.0, 5.2, 2.3]] 被分类为：virginica

示例 3：边界情况输入

• 输入*：将 example_input 设置为一个明显异常的值，例如 [[10.0, 10.0, 10.0, 10.0]]。
• 输出*：

输入数据 [[10.0, 10.0, 10.0, 10.0]] 被分类为：virginica

注：由于模型基于训练数据学习，极端值可能被归类到概率最高的类别，但不保证语义合理性。