理论部分：
朴素贝叶斯算法用于分类任务，基于贝叶斯理论。对于类别c和属性x，贝叶斯公式如下：
其中P(c|x)是后验概率，P( c )是先验概率。所谓贝叶斯分析，就是利用先验概率去估计后验概率的过程。
对于所有类别来说P(x)相同，因此基于贝叶斯判定准则有：
意思就是选择后验概率大的类别作为分类结果。那么如何计算先验概率和条件概率呢？概率模型的训练过程就是参数估计的过程。对于参数估计，有两种解决方案：频率学派和贝叶斯学派。西瓜书上介绍的是频率学派的极大似然估计。就是根据数据采样来估计概率分布参数。
先验概率可以表示为：
对于离散属性，条件概率可以表示为：
对于连续属性，条件概率可以表示为：
如此就可以计算贝叶斯判定准则了。在西瓜书上针对朴素贝叶斯有个判断好瓜坏瓜的例子，对理解理论非常有帮助，大家可以去看看。
实验部分：
sklearn朴素贝叶斯实现鸢尾花分类。
相关网址：
sklearn朴素贝叶斯
这部分代码非常简单，不再赘述。需要注意的是sklearn贝叶斯有四种估计条件概率的方法，这里使用的高斯朴素贝叶斯，也就是我在上文写到的。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0)
gnb = GaussianNB()
y_pred = gnb.fit(X_train, y_train).predict(X_test)
print("Number of mislabeled points out of a total %d points : %d"
% (X_test.shape[0], (y_test != y_pred).sum()))