机器学习实战-朴素贝叶斯

1、
优点：可处理多分类问题
缺点：对数据输入格式敏感，多用于标称型数据（只存在 是与否）
2、文档分类
特征选取：将每个词的出现与否看做特征，0和1 （文档词集模型）
词典：统计所有文档中单词，排序，构成list，（word_dim,1）
文档词向量：按照词典中单词，对应每一文档，转化为数字。每一文档，(word_dim,1)
文档标签：正常言论、非正常

p（c）:先验概率，可直接求出，0类样本数 / 总样本数
p（wi/c0）：单词wi在某文档出现次数/单词wi在所有文档出现次数，类别0
p（w）：不用管
将模型训练好后，输入某样本，判断
3、
文档词集模型：以每个词是否出现为特征，只有0和1
文档词袋模型：以每个词出现的次数为特征
4、过滤垃圾邮件
特征选取：将每个词的出现次数看做特征
词典：统计所有文档中单词，排序，构成list，（word_dim,1）
文档词向量：按照词典中单词，对应每一文档，转化为数字。每一文档，(word_dim,1)
文档标签：垃圾，非垃圾
5、模型
输入：
文档集合：（文档，标签）
输出：训练好的模型，输入带判断样本，输出预测标签