2024年最全情感分析——深入snownlp原理和实践(4)，2024年最新程序员进阶知识点

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

def \_\_init\_\_(self):
    self.d = {}
    self.total = 0.0
    self.none = 1 # 默认所有的none为1
# 这里如果value也等于1，则当key不存在时，累加的是2
def add(self, key, value):
    self.total += value
    # 不存在该key时，需新建key
    if not self.exists(key):
        self.d[key] = 1
        self.total += 1
    self.d[key] += value

注意：


1. none的默认值为1
2. 当key不存在时，total和对应的d[key]累加的是1+value，这在后面预测时需要用到



> 
> `AddOneProb`类中的total表示的是正类或者负类中的所有值；train函数中的total表示的是正负类的total之和。
> 
> 
> 


当统计好了训练样本中的total和每一个特征key的d[key]后，训练过程就构建完成了。


### 3.2、贝叶斯模型的预测


预测的过程使用到了上述的公式，即：





P(c1∣w1,⋯,wn)=P(w1,⋯,wn∣c1)⋅P(c1)P(w1,⋯,wn∣c1)⋅P(c1)+P(w1,⋯,wn∣c2)⋅P(c2)
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 c 
 
 
 1 
 
 
 
 ∣ 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 
 ) 
 
 
 
 = 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 + 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 2 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 2 
 
 
 
 ) 
 
 
 
 
 
P\left ( c\_1\mid w\_1,\cdots ,w\_n \right )=\frac{P\left ( w\_1,\cdots , w\_n\mid c\_1 \right )\cdot P(c\_1)}{P\left ( w\_1,\cdots ,w\_n\mid c\_1 \right )\cdot P\left ( c\_1 \right )+P\left ( w\_1,\cdots ,w\_n\mid c\_2\right )\cdot P\left ( c\_2\right )}

对上述的公式简化：





P(c1∣w1,⋯,wn)=P(w1,⋯,wn∣c1)⋅P(c1)P(w1,⋯,wn∣c1)⋅P(c1)+P(w1,⋯,wn∣c2)⋅P(c2)=11+P(w1,⋯,wn∣c2)⋅P(c2)P(w1,⋯,wn∣c1)⋅P(c1)=11+exp[log(P(w1,⋯,wn∣c2)⋅P(c2)P(w1,⋯,wn∣c1)⋅P(c1))]=11+exp[log(P(w1,⋯,wn∣c2)⋅P(c2))−log(P(w1,⋯,wn∣c1)⋅P(c1))]
 
 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 c 
 
 
 1 
 
 
 
 ∣ 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 
 ) 
 
 
 
 
 
 
 = 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 + 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 2 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 2 
 
 
 
 ) 
 
 
 
 
 
 
 
 
 
 
 
 = 
 
 
 
 1 
 
 
 
 1 
 
 
 + 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 2 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 2 
 
 
 
 ) 
 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 
 
 
 
 
 
 
 
 
 
 = 
 
 
 
 1 
 
 
 
 1 
 
 
 + 
 
 
 e 
 
 
 x 
 
 
 p 
 
 
 
 [ 
 
 
 
 l 
 
 
 o 
 
 
 g 
 
 
 
 ( 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 2 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 2 
 
 
 
 ) 
 
 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 
 
 ) 
 
 
 
 
 ] 
 
 
 
 
 
 
 
 
 
 
 
 = 
 
 
 
 1 
 
 
 
 1 
 
 
 + 
 
 
 e 
 
 
 x 
 
 
 p 
 
 
 
 [ 
 
 
 
 l 
 
 
 o 
 
 
 g 
 
 
 
 ( 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 2 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 2 
 
 
 
 ) 
 
 
 
 
 ) 
 
 
 
 − 
 
 
 l 
 
 
 o 
 
 
 g 
 
 
 
 ( 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 
 ) 
 
 
 
 
 ] 
 
 
 
 
 
 
 
 
\begin{align\*}
P\left ( c\_1\mid w\_1,\cdots ,w\_n \right ) &= \frac{P\left ( w\_1,\cdots , w\_n\mid c\_1 \right )\cdot P(c\_1)}{P\left ( w\_1,\cdots ,w\_n\mid c\_1 \right )\cdot P\left ( c\_1 \right )+P\left ( w\_1,\cdots ,w\_n\mid c\_2\right )\cdot P\left ( c\_2\right )}\\ 
 &= \frac{1}{1+\frac{P\left ( w\_1,\cdots ,w\_n\mid c\_2\right )\cdot P\left ( c\_2\right )}{P\left ( w\_1,\cdots ,w\_n\mid c\_1\right )\cdot P\left ( c\_1\right )}}\\
 &= \frac{1}{1+exp\left [ log\left ( \frac{P\left ( w\_1,\cdots ,w\_n\mid c\_2\right )\cdot P\left ( c\_2\right )}{P\left ( w\_1,\cdots ,w\_n\mid c\_1\right )\cdot P\left ( c\_1\right )} \right ) \right ]}\\
 &= \frac{1}{1+exp\left [ log\left ( P\left ( w\_1,\cdots ,w\_n\mid c\_2\right )\cdot P\left ( c\_2\right ) \right )-log\left ( P\left ( w\_1,\cdots ,w\_n\mid c\_1\right )\cdot P\left ( c\_1\right ) \right ) \right ]}
\end{align\*}

其中，分母中的1可以改写为：





1=exp[log(P(w1,⋯,wn∣c1)⋅P(c1))−log(P(w1,⋯,wn∣c1)⋅P(c1))]
 
 
 
 1 
 
 
 = 
 
 
 e 
 
 
 x 
 
 
 p 
 
 
 
 [ 
 
 
 
 l 
 
 
 o 
 
 
 g 
 
 
 
 ( 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 
 ) 
 
 
 
 − 
 
 
 l 
 
 
 o 
 
 
 g 
 
 
 
 ( 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 


![img](https://img-blog.csdnimg.cn/img_convert/890b4ea533a1125db0c8258af5348984.png)
![img](https://img-blog.csdnimg.cn/img_convert/cfe3da395c2fbb166dcd5a0f4b4660a7.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化的资料的朋友，可以添加戳这里获取](https://bbs.csdn.net/topics/618658159)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

t ( \frac{P\left ( w\_1,\cdots ,w\_n\mid c\_2\right )\cdot P\left ( c\_2\right )}{P\left ( w\_1,\cdots ,w\_n\mid c\_1\right )\cdot P\left ( c\_1\right )} \right ) \right ]}\\
 &= \frac{1}{1+exp\left [ log\left ( P\left ( w\_1,\cdots ,w\_n\mid c\_2\right )\cdot P\left ( c\_2\right ) \right )-log\left ( P\left ( w\_1,\cdots ,w\_n\mid c\_1\right )\cdot P\left ( c\_1\right ) \right ) \right ]}
\end{align\*}

其中，分母中的1可以改写为：





1=exp[log(P(w1,⋯,wn∣c1)⋅P(c1))−log(P(w1,⋯,wn∣c1)⋅P(c1))]
 
 
 
 1 
 
 
 = 
 
 
 e 
 
 
 x 
 
 
 p 
 
 
 
 [ 
 
 
 
 l 
 
 
 o 
 
 
 g 
 
 
 
 ( 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 
 
 
 c 
 
 
 1 
 
 
 
 
 ) 
 
 
 
 ⋅ 
 
 
 P 
 
 
 
 ( 
 
 
 
 c 
 
 
 1 
 
 
 
 ) 
 
 
 
 
 ) 
 
 
 
 − 
 
 
 l 
 
 
 o 
 
 
 g 
 
 
 
 ( 
 
 
 
 P 
 
 
 
 ( 
 
 
 
 
 w 
 
 
 1 
 
 
 
 , 
 
 
 ⋯ 
 
 
 , 
 
 
 
 w 
 
 
 n 
 
 
 
 ∣ 
 


[外链图片转存中...(img-nyW0iBcg-1715728364385)]
[外链图片转存中...(img-1XVGSYdY-1715728364386)]

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化的资料的朋友，可以添加戳这里获取](https://bbs.csdn.net/topics/618658159)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**