主要是朴素贝叶斯相关，EM算法没看懂。。。

贝叶斯判定准则

为最小化总体风险，只需在每个样本上选择能使风险最小的类别标记

贝叶斯定理的名词解释

条件概率P(X|C)表示样本x在分类c下出现的概率，但很多样本在训练集根本没有出现，所以不能直接用频率来估计概率。

条件概率P(X|C)难以从有限的训练样本中估计，因为在某个分类下出现x是所有属性的联合概率，为了避开这个朴素贝叶斯分类器采用”属性条件独立性假设” ，就是假设这些属性是相互独立的。

PS: 朴素贝叶斯就朴素在假设这些属性相互独立

如果出现了某个属性在训练集中没有出现的情况该如何处理呢，因为上面式子连乘时遇到某个条件概率为0时就会直接导致后验概率为0。

表示训练集D中可能的类别 N; Ni表示第i个属性可能的取值数