基于实例的分类器（懒惰分类器）以K-nearest为例说明

拿测试实例跟已有的实例的比较，若测试实例跟训练实例一模一样，那毫无疑问该测试实例就是属于这一类，但情况并未都是如此，大部分情况下，得选择该测试实例跟那个已有的实例的“距离”最短，这个距离就得根据具体情况具体分析了，在求两实例的“距离”前得先计算下，一实例在一个属性上表现出的多种特征之间的“距离”。所以得先定义来两特征之间的“距离”，再定义两实例的“距离”。

这个分类效果是显著的，但是不足之处也是明显的，因为懒惰，来一个实例，就得计算与其他已有实例的距离，那代价是高。

 

贝叶斯分类器

P(C| A1，A2，...A3) 指事件C在事件A1A2A3都发生的情况下的概率，根据贝叶斯公式

P(C)和P(A1, A2...An)是容易得到的，但是P(A1, A2...An | C)是难以得到的，而在假设所有事件是独立的情况下，P(A1, A2, …, An |C) = P(A1| Cj) P(A2| Cj)… P(An| Cj)  j is from 1 to n.

这样的话，就可以很容易算出概率，再选择最大的概率。不足之处在于这个各事件之间未必是真正独立的。