朴素貝葉斯分類是一種生成式分類
p(y|x) = p(y,x) / p(x)
=p(x|y) * p(y) | p(x)
在訓練的時候假設x的所有特征是相互獨立的，所以p(x|y) = 所有p(xi | y) 的乘積 只要通過貝葉斯展開+有xi獨立 就能得到
這個模型里的參數就是，給定y這個條件下，生成某個特征xi的概率()，以及y本身的分布(使用中心極限定理得到均值就能作為估計)
這里存在一個問題，就是如果在所有樣本里，某個特征xi沒出現過，那么根據中心極限定理得到均值就是0
那么最后的乘積就是0
這個結果對於實際來說不太合理，對於訓練樣本中沒出現過的特征，實際的測試的時候，也是有可能出現
所以需要做 拉普拉斯平滑
就是在用中心極限定理得到均值 的時候 分子分母同時加上一個數，這樣每個特征的條件概率肯定不為0了
一般分子加1，分母加的是 分類數