Naive Bayes: 写出朴素贝叶斯的分类决策式，并说明'朴素'指什么。

Core Concept: 假设特征在类别下条件独立；用后验 ∝ 先验 × 各特征似然之积分类。

决策式的来源：由贝叶斯定理 P(y|x)∝P(y)P(x|y)，而 P(x|y) 需建模 n 维联合分布（参数量 O(2ⁿ)，不可估计）。<strong>'朴素'指假设特征在给定类别下条件独立</strong>：P(x|y)=ΠⱼP(xⱼ|y)，于是参数量降到 O(n·K)（K 为类别数），可用计数直接估计。决策式取 argmax 时连分母 P(x) 都可省略（对所有类别相同）：ŷ=argmax_y P(y)ΠⱼP(xⱼ|y)。这个假设在现实中几乎从不成立（特征间总有相关），但<strong>分类效果常出奇地好</strong>——这是朴素贝叶斯最反直觉也最重要的性质。

为什么有效（Domingos & Pazzani 1997 的洞察）：分类只需 argmax 正确，不需概率准确。即使条件独立假设被违反，只要<strong>同一类别内的相关结构在各类别间相似</strong>，被重复计数的相关项在所有类别上近似<strong>同倍放大</strong>，argmax 不变。这解释了朴素贝叶斯'排序好、校准差'的经典现象——它给出的概率往往过度自信（接近 0 或 1），但类别排序常正确。<strong>工程含义</strong>：① 适合做<strong>粗筛/召回</strong>而非概率输出；② 若需概率需做校准（Platt/isotonic）；③ 数值实现上应<strong>在对数域计算</strong>（log P(y)+Σlog P(xⱼ|y)），避免大量小概率相乘下溢为 0；④ 需<strong>平滑</strong>（拉普拉斯）避免某个特征未出现导致整乘积归零。