第7章 贝叶斯分类器
覆盖贝叶斯决策、极大似然、朴素/半朴素分类、贝叶斯网与EM；用数据协议、单故障轨迹和模型验收门完成独立复核。
学习目标
- 能说明“第7章 贝叶斯分类器”如何覆盖贝叶斯决策、极大似然、朴素/半朴素分类、贝叶斯网与EM，并把原版范围、技术核验和现代扩展分层
- 能先预测“怎样从先验、似然和条件独立得到后验决策，并诊断零频与隐变量估计？”的数据与模型路径，再用切分、状态、轨迹和独立评估复核
- 能注入“用测试类别频率重估先验，或在零频时临时查看正确标签决定平滑”，用“变量域、先验、条件结构、平滑、缺失机制、初始化和收敛判据固定”决定接受、降级或拒绝实验结论
为什么从这个学习实验开始
贝叶斯页要求概率能追到计数、结构和假设，不能把归一化分数冒充可信后验。 “第7章 贝叶斯分类器”的贯穿任务是：对离散与连续西瓜属性比较朴素贝叶斯、半朴素结构和含隐变量的EM。 操作前先写下哪个数据角色、模型状态或评估结论会变化；运行后补理由不算预测。
本页围绕“怎样从先验、似然和条件独立得到后验决策，并诊断零频与隐变量估计？”建立基线、故障与恢复路径。只有“第7章 贝叶斯分类器”守住“变量域、先验、条件结构、平滑、缺失机制、初始化和收敛判据固定”并交付变量表、先验、条件频数、平滑常数、图结构、似然、EM下界轨迹、后验、校准曲线和零频反例。，分数或图形才构成机器学习证据。
书目、128个原版层级与版本边界
“第7章 贝叶斯分类器”以清华大学出版社官方书页核对周志华著《机器学习》于2016年出版、425页、ISBN 9787302423287和全书16章的三部分结构，同时以作者官方书页确认这是一部16章、每章6至7节且持续公开勘误的入门教科书，再以作者官方目录PDF逐项核对16章、108个编号小节和附录A/B/C，因此本站覆盖分母计入16个章标题、108个编号小节、附录标题及A/B/C，共128个正式目录层级。
“第7章 贝叶斯分类器”未取得原书完整正文，只以作者与出版社目录限定范围；中文解释、交互、实验、练习与答案均为独立教学重写。贝叶斯分类器的概率模型与第14章通用图模型相连，但本章聚焦分类决策。
本页另以技术核对 1、技术核对 2、技术核对 3核对算法机制、评估协议或数学工具。外部资料能验证技术事实，不能反向证明原书正文采用了本站表述。
原版目录层级与学习机制
第7章 贝叶斯分类器
↡贝叶斯分类器对应原版目录坐标“第7章 贝叶斯分类器”，在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 1/8。 在“第7章 贝叶斯分类器”的坐标1中，目录项「第7章 贝叶斯分类器」用于由先验、似然和条件结构计算后验或隐变量估计；先冻结数据角色，再以频数、平滑、图结构、似然轨迹、后验与校准复核，出现测试先验、零频窥标或EM未收敛时撤回结论。
7.1 贝叶斯决策论
↡贝叶斯决策论对应原版目录坐标“7·1 贝叶斯决策论”，在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 2/8。 目录项「7·1 贝叶斯决策论」进入“第7章 贝叶斯分类器”后要回答第2个学习问题：它怎样由先验、似然和条件结构计算后验或隐变量估计、改变什么模型状态、由哪些频数、平滑、图结构、似然轨迹、后验与校准证明，并如何排除测试先验、零频窥标或EM未收敛。
7.2 极大似然估计
↡极大似然估计对应原版目录坐标“7·2 极大似然估计”，在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 3/8。 围绕“怎样从先验、似然和条件独立得到后验决策，并诊断零频与隐变量估计？”，在“第7章 贝叶斯分类器”的原版层级3把「7·2 极大似然估计」落实为由先验、似然和条件结构计算后验或隐变量估计；复核者先读取频数、平滑、图结构、似然轨迹、后验与校准，不能接受测试先验、零频窥标或EM未收敛。
7.3 朴素贝叶斯分类器
↡朴素贝叶斯分类器对应原版目录坐标“7·3 朴素贝叶斯分类器”，在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 4/8。 对“第7章 贝叶斯分类器”而言，目录项「7·3 朴素贝叶斯分类器」的最小实验合同是由先验、似然和条件结构计算后验或隐变量估计，第4次检查保存频数、平滑、图结构、似然轨迹、后验与校准；若产生测试先验、零频窥标或EM未收敛，就返回上游。
7.4 半朴素贝叶斯分类器
↡半朴素贝叶斯分类器对应原版目录坐标“7·4 半朴素贝叶斯分类器”，在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 5/8。 第5个正式坐标「7·4 半朴素贝叶斯分类器」服务于覆盖贝叶斯决策、极大似然、朴素/半朴素分类、贝叶斯网与EM，需要以频数、平滑、图结构、似然轨迹、后验与校准呈现由先验、似然和条件结构计算后验或隐变量估计；测试先验、零频窥标或EM未收敛会破坏“变量域、先验、条件结构、平滑、缺失机制、初始化和收敛判据固定”。
7.5 贝叶斯网
↡贝叶斯网对应原版目录坐标“7·5 贝叶斯网”，在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 6/8。 在“第7章 贝叶斯分类器”的坐标6中，目录项「7·5 贝叶斯网」用于由先验、似然和条件结构计算后验或隐变量估计；先冻结数据角色，再以频数、平滑、图结构、似然轨迹、后验与校准复核，出现测试先验、零频窥标或EM未收敛时撤回结论。
7.6 EM算法
↡EM算法对应原版目录坐标“7·6 EM算法”，在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 7/8。 目录项「7·6 EM算法」进入“第7章 贝叶斯分类器”后要回答第7个学习问题：它怎样由先验、似然和条件结构计算后验或隐变量估计、改变什么模型状态、由哪些频数、平滑、图结构、似然轨迹、后验与校准证明，并如何排除测试先验、零频窥标或EM未收敛。
7.7 阅读材料
↡阅读材料对应原版目录坐标“7·7 阅读材料”，在“第7章 贝叶斯分类器”中用于把本章结论连接到可追溯的进阶路线与原始资料，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 8/8。 围绕“怎样从先验、似然和条件独立得到后验决策，并诊断零频与隐变量估计？”，在“第7章 贝叶斯分类器”的原版层级8把「7·7 阅读材料」落实为把本章结论连接到可追溯的进阶路线与原始资料；复核者先读取问题清单、前置假设、来源版本与可复现实验入口，不能接受只堆链接而不说明验证对象。
先预测，再操作三个章专属实验
1. 数据角色与模型协议
固定“对离散与连续西瓜属性比较朴素贝叶斯、半朴素结构和含隐变量的EM。”，在基线与反例间切换，逐阶段查看“变量与先验、似然估计、条件结构、后验决策、校准诊断”允许的输入、操作、输出和证据。
数据与模型协议
选择实验，再逐阶段检查信息边界
怎样从先验、似然和条件独立得到后验决策，并诊断零频与隐变量估计？
实验设置
对离散与连续西瓜属性比较朴素贝叶斯、半朴素结构和含隐变量的EM。 固定数据版本、实体切分、流水线、预算和随机种子。
预期结果
沿“变量与先验 → 似然估计 → 条件结构 → 后验决策 → 校准诊断”得到可重放结论。
适用边界
全过程保持“变量域、先验、条件结构、平滑、缺失机制、初始化和收敛判据固定”。
允许输入
第7章 贝叶斯分类器：冻结版本、实体与样本角色，不得越过样本角色
本阶段操作
只读取任务允许的信息，并持续满足“变量域、先验、条件结构、平滑、缺失机制、初始化和收敛判据固定”
阶段输出
变量与先验产生可追踪输入状态
复核证据
可追踪输入状态、索引和版本；出现“用测试类别频率重估先验，或在零频时临时查看正确标签决定平滑”时拒绝推进
原版坐标：第7章 贝叶斯分类器、7.1 贝叶斯决策论、7.2 极大似然估计、7.3 朴素贝叶斯分类器、7.4 半朴素贝叶斯分类器、7.5 贝叶斯网、7.6 EM算法、7.7 阅读材料
第7章 贝叶斯分类器的可重放研究协议
| 阶段 | 允许动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 变量与先验 | 在“第7章 贝叶斯分类器”执行变量与先验，只读取该角色允许的信息 | 任务、版本、实体与切分哈希 | 角色或来源不可追溯 |
| 似然估计 | 在“第7章 贝叶斯分类器”执行似然估计，只读取该角色允许的信息 | 表示、参数、轨迹、候选比较与选择理由 | 用测试类别频率重估先验，或在零频时临时查看正确标签决定平滑 |
| 条件结构 | 在“第7章 贝叶斯分类器”执行条件结构，只读取该角色允许的信息 | 表示、参数、轨迹、候选比较与选择理由 | 用测试类别频率重估先验，或在零频时临时查看正确标签决定平滑 |
| 后验决策 | 在“第7章 贝叶斯分类器”执行后验决策，只读取该角色允许的信息 | 表示、参数、轨迹、候选比较与选择理由 | 用测试类别频率重估先验，或在零频时临时查看正确标签决定平滑 |
| 校准诊断 | 在“第7章 贝叶斯分类器”执行校准诊断，只读取该角色允许的信息 | 封存指标、错误样本、复现与边界 | 测试被复用或无法重放 |
unit: "mlw-07"
question: "怎样从先验、似然和条件独立得到后验决策，并诊断零频与隐变量估计？"
scenario: "对离散与连续西瓜属性比较朴素贝叶斯、半朴素结构和含隐变量的EM。"
stages: ["变量与先验", "似然估计", "条件结构", "后验决策", "校准诊断"]
invariant: "变量域、先验、条件结构、平滑、缺失机制、初始化和收敛判据固定"
fault: "用测试类别频率重估先验，或在零频时临时查看正确标签决定平滑"
evidence: "变量表、先验、条件频数、平滑常数、图结构、似然、EM下界轨迹、后验、校准曲线和零频反例。"
reset: restore_experiment_stage_trace_mode_step_gates_and_artifact该协议要求“第7章 贝叶斯分类器”在相同任务、数据版本、实体切分、流水线、预算和种子下重放。重置后若实验、阶段、轨迹模式、步骤、验收门或复核包没有回到基线，交互状态已经污染比较。
本页回顾
掌握“第7章 贝叶斯分类器”不是背诵算法名，而是能围绕“怎样从先验、似然和条件独立得到后验决策，并诊断零频与隐变量估计？”重建数据与模型证据，并用“变量域、先验、条件结构、平滑、缺失机制、初始化和收敛判据固定”拒绝“用测试类别频率重估先验，或在零频时临时查看正确标签决定平滑”。最终交付为变量表、先验、条件频数、平滑常数、图结构、似然、EM下界轨迹、后验、校准曲线和零频反例。
练习与答案
练习
- 问题 1：实验合同。 “第7章 贝叶斯分类器”为什么必须先冻结任务、数据版本、实体切分、流水线、预算和种子？
- 问题 2：目录逐项覆盖。 怎样证明原版目录坐标已经进入机制、交互和练习？
- 问题 3：故障恢复。 怎样证明“用测试类别频率重估先验，或在零频时临时查看正确标签决定平滑”已经被修正？
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- 贝叶斯分类器
检索键 ml-A 对应目录坐标「第7章 贝叶斯分类器」；在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，需要连接原版范围、数据角色、模型状态与独立证据。
- 贝叶斯决策论
检索键 ml-B 对应目录坐标「7·1 贝叶斯决策论」；在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，需要连接原版范围、数据角色、模型状态与独立证据。
- 极大似然估计
检索键 ml-C 对应目录坐标「7·2 极大似然估计」；在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，需要连接原版范围、数据角色、模型状态与独立证据。
- 朴素贝叶斯分类器
检索键 ml-D 对应目录坐标「7·3 朴素贝叶斯分类器」；在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，需要连接原版范围、数据角色、模型状态与独立证据。
- 半朴素贝叶斯分类器
检索键 ml-E 对应目录坐标「7·4 半朴素贝叶斯分类器」；在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，需要连接原版范围、数据角色、模型状态与独立证据。
- 贝叶斯网
检索键 ml-F 对应目录坐标「7·5 贝叶斯网」；在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，需要连接原版范围、数据角色、模型状态与独立证据。
- EM算法
检索键 ml-G 对应目录坐标「7·6 EM算法」；在“第7章 贝叶斯分类器”中用于由先验、似然和条件结构计算后验或隐变量估计，需要连接原版范围、数据角色、模型状态与独立证据。
- 阅读材料
检索键 ml-H 对应目录坐标「7·7 阅读材料」；在“第7章 贝叶斯分类器”中用于把本章结论连接到可追溯的进阶路线与原始资料，需要连接原版范围、数据角色、模型状态与独立证据。