贝叶斯③——Python实现贝叶斯文本分类（伯努利&多项式模型对比）

贝叶斯机器学习系列：
贝叶斯①——贝叶斯原理篇（联合概率&条件概率&贝叶斯定理&拉普拉斯平滑)
贝叶斯②——贝叶斯3种分类模型及Sklearn使用（高斯&多项式&伯努利）
贝叶斯④——Sklean新闻分类（TF-IDF）
贝叶斯⑤——搜狗新闻分类实战（jieba + TF-IDF + 贝叶斯）
贝叶斯⑥——银行借贷模型（贝叶斯与决策树对比）

虽然sklearn能直接调用贝叶斯分类，但是若能用Python代码敲出来，那也是非常有成就感的一件事，而且能进一步加深对算法过程的理解~

一、算法流程及函数解释

① loadData()：导入分类样本，如果样本是文档，先用jieba进行分词
② vecabulary()：用集合生成词典（set|set会生成并集且自动删除重复元素）
③ Word2Vetorm()&Word2Vetor_m()：将样本转化成向量(用词典中的index[词语]获得下标），前者是伯努利模型，出现记录1，不出现记录0；后者是多项式模型，出现多少次就记多少，未出现则是0
④ cal_prob()&cal_prob_m()：前者是用伯努利模型计算先验概率和类条件概率，后者是用多项式，这里使用了拉普拉斯平滑（参数为1）来解决零概率问题，以及取log对数化乘法为加法，简化计算
⑤ naive_byes_classify()：生成分